| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-14页 |
| ·课题背景和意义 | 第9-12页 |
| ·背景介绍 | 第9-11页 |
| ·推荐系统研究现状 | 第11-12页 |
| ·研究内容 | 第12页 |
| ·论文组织结构 | 第12-14页 |
| 第2章 云计算和推荐算法 | 第14-23页 |
| ·云计算分类 | 第14页 |
| ·Hadoop 和 Mahout 框架 | 第14-18页 |
| ·推荐算法及分类 | 第18-23页 |
| 第3章 利用分类信息改进推荐算法 | 第23-41页 |
| ·App 分类介绍 | 第23-26页 |
| ·利用 App 属性分类 | 第26-28页 |
| ·根据 App 名称自动分类 | 第28-29页 |
| ·处理 App 名称乱码 | 第28页 |
| ·爬取 App 在应用市场的分类 | 第28-29页 |
| ·对市场上未爬取到的 App 进行分类 | 第29-33页 |
| ·贝叶斯分类 | 第29-30页 |
| ·LSA 词根相似度分类 | 第30-33页 |
| ·词根分布分类 | 第33页 |
| ·利用 App 分类信息优化推荐 | 第33-36页 |
| ·利用分类信息降低数据的稀疏程度 | 第33-35页 |
| ·利用分类信息改进推荐方法 | 第35-36页 |
| ·利用分类信息解决新用户问题 | 第36页 |
| ·利用反馈优化推荐 | 第36-37页 |
| ·统计热门应用 | 第37-41页 |
| 第4章 改进的 App 推荐系统在 Hadoop 上的实现 | 第41-68页 |
| ·系统需求分析 | 第41页 |
| ·整体框架设计 | 第41-43页 |
| ·服务器及推荐算法环境配置 | 第43-45页 |
| ·后台云服务器 | 第43页 |
| ·本地推荐集群 | 第43-45页 |
| ·系统功能模块 | 第45-63页 |
| ·数据收集子系统 | 第45-47页 |
| ·数据预处理子系统 | 第47-49页 |
| ·App 分类子系统 | 第49-54页 |
| ·用户数据挖掘子系统 | 第54-62页 |
| ·推荐展示及反馈子系统 | 第62-63页 |
| ·数据库设计 | 第63-65页 |
| ·系统运行结果分析 | 第65-68页 |
| 第5章 总结和展望 | 第68-70页 |
| ·总结 | 第68页 |
| ·展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-73页 |