| 摘要 | 第8-9页 |
| abstract | 第9页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 推荐系统研究现状 | 第13-14页 |
| 1.2.2 推荐算法的并行化研究现状 | 第14-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 第二章 推荐系统介绍 | 第17-28页 |
| 2.1 推荐系统定义 | 第17-18页 |
| 2.2 推荐算法主要分类 | 第18-24页 |
| 2.2.1 基于协同过滤的推荐算法 | 第18-22页 |
| 2.2.2 基于内容的推荐算法 | 第22-23页 |
| 2.2.3 基于组合策略的混合推荐算法 | 第23-24页 |
| 2.3 推荐算法常用性能评测方法 | 第24-26页 |
| 2.4 推荐算法面临的主要挑战 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于隐语义的回归混合推荐算法 | 第28-42页 |
| 3.1 矩阵分解模型 | 第28-33页 |
| 3.1.1 矩阵奇异值分解SVD | 第28-29页 |
| 3.1.2 隐语义模型LFM | 第29-33页 |
| 3.2 基于隐语义的局部加权线性回归混合推荐算法 | 第33-37页 |
| 3.2.1 算法思想 | 第33-34页 |
| 3.2.2 线性回归算法简介 | 第34-35页 |
| 3.2.3 LR-LFM模型训练 | 第35-37页 |
| 3.3 基于隐语义的支持向量回归混合推荐算法 | 第37-41页 |
| 3.3.1 算法思想 | 第37页 |
| 3.3.2 支持向量回归简介 | 第37-40页 |
| 3.3.3 SVR-LFM模型训练 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 Spark平台下SVR-LFM算法并行化 | 第42-53页 |
| 4.1 Spark分布式计算框架简介 | 第43-48页 |
| 4.1.1 Spark概述 | 第43-44页 |
| 4.1.2 弹性分布式数据集RDD | 第44-46页 |
| 4.1.3 Spark运行架构 | 第46-48页 |
| 4.2 Spark平台下SVR-LFM算法并行化实现 | 第48-52页 |
| 4.2.1 SVR-LFM算法并行化设计思想 | 第48-50页 |
| 4.2.2 Spark平台下SVR-LFM矩阵分解并行化 | 第50-52页 |
| 4.3 本章小结 | 第52-53页 |
| 第五章 实验设计及结果分析 | 第53-61页 |
| 5.1 单机算法实验方案设计与结果分析 | 第53-58页 |
| 5.1.1 实验环境介绍及方案设计 | 第53-54页 |
| 5.1.2 LFM模型训练 | 第54-55页 |
| 5.1.3 SVR模型参数训练 | 第55-57页 |
| 5.1.4 本文提出模型与其他模型的性能对比 | 第57-58页 |
| 5.2 并行化算法实验设计与分析 | 第58-60页 |
| 5.2.1 实验环境介绍 | 第58-59页 |
| 5.2.2 方案设计及实验结果分析 | 第59-60页 |
| 5.3 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 论文工作总结 | 第61页 |
| 6.2 下一步工作展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 作者在学期间取得的学术成果 | 第69页 |