| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 推荐系统发展概况 | 第10页 |
| 1.2.1 国外的研究现状 | 第10页 |
| 1.2.2 国内的研究现状 | 第10页 |
| 1.3 本文完成的主要工作 | 第10-11页 |
| 1.4 文章结构 | 第11-12页 |
| 第2章 推荐系统相关的基本理论 | 第12-23页 |
| 2.1 推荐系统 | 第12页 |
| 2.2 数据和知识资源 | 第12-13页 |
| 2.3 推荐算法 | 第13-15页 |
| 2.4 基于用户的协同过滤算法 | 第15-16页 |
| 2.4.1 建立<物品-评分>矩阵 | 第15页 |
| 2.4.2 寻找用户的最近邻 | 第15页 |
| 2.4.3 产生推荐结果 | 第15-16页 |
| 2.5 基于物品的协同过滤算法 | 第16-17页 |
| 2.5.1 建立相似度矩阵ISM | 第16页 |
| 2.5.2 建立<用户-评分>矩阵URM | 第16-17页 |
| 2.5.3 产生推荐结果IRM | 第17页 |
| 2.6 推荐算法的优化 | 第17-20页 |
| 2.6.1 评分标准化 | 第17-18页 |
| 2.6.2 相似度权重的计算 | 第18页 |
| 2.6.3 近邻的选择 | 第18-20页 |
| 2.7 聚类方法 | 第20页 |
| 2.8 大数据处理工具 | 第20-23页 |
| 2.8.1 Hadoop | 第20-21页 |
| 2.8.2 HDFS分布式文件系统 | 第21页 |
| 2.8.3 MapReduce | 第21-23页 |
| 第3章 算法改进 | 第23-35页 |
| 3.1 用户特征提取方法 | 第23-24页 |
| 3.1.1 时间类 | 第23页 |
| 3.1.2 评分类 | 第23-24页 |
| 3.1.3 次数类 | 第24页 |
| 3.2 基于MapReduce的k-means算法 | 第24-26页 |
| 3.3 基于物品的协同过滤算法 | 第26-29页 |
| 3.4 基于用户的协同过滤算法 | 第29-32页 |
| 3.5 加入聚类后的基于用户的协同过滤算法 | 第32页 |
| 3.6 结果混合 | 第32-33页 |
| 3.7 预测结果离散化 | 第33-34页 |
| 3.8 针对冷启动问题的一些修改 | 第34-35页 |
| 第4章 算法实现及参数优化 | 第35-40页 |
| 4.1 算法实现分析 | 第35-36页 |
| 4.1.1 算法分析——基于物品的协同过滤算法 | 第35-36页 |
| 4.1.2 算法分析——基于用户的协同过滤算法 | 第36页 |
| 4.2 程序运行时间分析 | 第36-37页 |
| 4.3 算法性能优化途径 | 第37-39页 |
| 4.3.1 重复数据的分发问题 | 第37页 |
| 4.3.2 Map结果中的重复数据问题 | 第37页 |
| 4.3.3 聚类后计算组内预测结果需要重复运行程序的问题 | 第37-39页 |
| 4.4 数据的混合比例 | 第39-40页 |
| 第5章 实验 | 第40-51页 |
| 5.1 实验数据 | 第40页 |
| 5.2 实验环境配置 | 第40-41页 |
| 5.3 环境搭建 | 第41-43页 |
| 5.3.1 CDH | 第41页 |
| 5.3.2 配置过程 | 第41-43页 |
| 5.4 评价指标 | 第43-44页 |
| 5.4.1 MAE | 第43页 |
| 5.4.2 RMSE | 第43页 |
| 5.4.3 加速比 | 第43-44页 |
| 5.5 实验结果 | 第44-51页 |
| 5.5.1 数据拟合结果与参数选择 | 第44-45页 |
| 5.5.2 实验结果——MAE | 第45-47页 |
| 5.5.3 实验结果——RMSE | 第47-49页 |
| 5.5.4 加速比 | 第49-51页 |
| 第6章 结论 | 第51-53页 |
| 6.1 结论 | 第51页 |
| 6.2 后续工作 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 附录 | 第57-63页 |
| 作者简介 | 第63页 |
| 攻读硕士学位期间研究成果 | 第63页 |