基于云计算的协同过滤推荐系统的研究与应用

摘要	第1-6页
Abstract	第6-7页
目录	第7-10页
Contents	第10-13页
1 绪论	第13-17页
·研究工作的背景及意义	第13页
·个性化推荐的研究现状	第13-14页
·本文的主要内容及结构	第14-15页
·论文的主要内容	第14页
·论文的主要结构	第14-15页
·本章小结	第15-17页
2 协同过滤推荐算法	第17-31页
·个性化	第17页
·个性化推荐系统	第17-19页
·个性化推荐系统的发展	第17-18页
·个性化推荐系统的研究内容	第18-19页
·对个性化推荐系统的分类	第19页
·个性化推荐系统的相关技术	第19-22页
·基于关联规则的推荐	第19-20页
·基于内容的推荐	第20-21页
·协同过滤推荐	第21-22页
·协同过滤推荐算法	第22-26页
·协同过滤推荐算法的基本原理	第22页
·协同过滤推荐算法的推荐步骤	第22-25页
·协同过滤推荐算法的评估策略	第25-26页
·常用的协同过滤算法	第26-28页
·基于用户的协同过滤算法	第26-27页
·基于项目的协同过滤算法	第27页
·基于贝叶斯网络的协同过滤算法	第27-28页
·基于降维技术的协同过滤算法	第28页
·混合式协同过滤	第28页
·传统推荐系统面临的挑战	第28-29页
·各种推荐技术的应用	第29-30页
·本章小结	第30-31页
3 云计算	第31-39页
·计算技术介绍	第31-33页
·云计算的原理和发展历程	第31页
·云计算的主要特点	第31-32页
·计算的服务形式	第32-33页
·MapReduce编程模型	第33-35页
·MapReduce编程模型的介绍	第33页
·MapReduce编程模型的基本结构	第33-34页
·MapReduce编程模型的原理	第34页
·MapReduce编程模型的任务执行流程	第34-35页
·Hadoop开源框架	第35-38页
·开源框架简介	第35-36页
·Hadoop的构造模块	第36-37页
·MapReduce在Hadoop中的实现	第37-38页
·本章小结	第38-39页
4 基于云计算的电影推荐系统的设计	第39-53页
·系统的需求分析	第39页
·通过云平台解决的主要问题	第39-40页
·提供强大的计算能力	第39页
·提供海量的数据存储能力	第39-40页
·系统的整体工作流程	第40-41页
·平台的设计	第41-46页
·平台的软硬件环境	第41-42页
·云平台的系统配置	第42-44页
·基于WEB的集群用户界面	第44-46页
·推荐系统的设计	第46-49页
·基于Mahout Taste设计推荐电影算法	第46-47页
·用户相似性计算	第47页
·相似邻居集的产生	第47-48页
·基于用户的协同过滤推荐设计	第48-49页
·系统实验数据的整理与设计	第49-51页
·本章小结	第51-53页
5 推荐系统的实现与测试	第53-61页
·系统的具体实现	第53-57页
·数据建模与DataModel的实现	第53-54页
·用户相似度的计算的实现	第54-55页
·产生近似邻居的实现	第55页
·基于用户的协同过滤推荐的实现	第55-56页
·基于项目的协同过滤推荐的实现	第56页
·前端JSP的实现	第56-57页
·系统测试	第57-59页
·系统输入界面	第57页
·测试推荐结果	第57-59页
·本章小结	第59-61页
6 总结与展望	第61-63页
·总结	第61页
·展望	第61-63页
参考文献	第63-66页
致谢	第66-67页
作者简介及读研期间主要科研成果	第67页