| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文研究内容 | 第12-13页 |
| 1.4 论文章节安排 | 第13页 |
| 1.5 本章小结 | 第13-14页 |
| 第二章 相关工作研究 | 第14-25页 |
| 2.1 社区发现算法研究 | 第14-17页 |
| 2.1.1 一般社区发现算法 | 第14-15页 |
| 2.1.2 Louvain社区发现算法 | 第15-16页 |
| 2.1.3 Louvain算法并行化处理 | 第16-17页 |
| 2.2 个性化推荐技术研究 | 第17-24页 |
| 2.2.1 相似度计算 | 第18-19页 |
| 2.2.2 矩阵分解 | 第19-20页 |
| 2.2.3 ALS（最小二乘交替）算法 | 第20页 |
| 2.2.4 基于用户的协同过滤技术 | 第20-22页 |
| 2.2.5 基于项目的协同过滤技术 | 第22-24页 |
| 2.2.6 基于模型的协同过滤技术 | 第24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 改进的Louvain算法 | 第25-36页 |
| 3.1 问题分析 | 第25页 |
| 3.2 叶子社区策略 | 第25-28页 |
| 3.3 节点度数比较策略 | 第28-29页 |
| 3.4 基于叶子社区与节点比较策略的Louvain算法 | 第29-33页 |
| 3.4.1 改进的Louvain算法思想及流程 | 第29-30页 |
| 3.4.2 改进的Louvain算法实现 | 第30-33页 |
| 3.5 实验结果与分析 | 第33-35页 |
| 3.5.1 实验评估标准 | 第33页 |
| 3.5.2 实验准备 | 第33-34页 |
| 3.5.3 实验环境 | 第34页 |
| 3.5.4 实验结果与分析 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第四章 Louvain改进算法在Spark Streaming中应用研究 | 第36-50页 |
| 4.1 问题分析 | 第36页 |
| 4.2 基于Spark Streaming的动态社区发现框架 | 第36-42页 |
| 4.2.1 框架描述 | 第36-37页 |
| 4.2.2 本地数据集文件写入Kafka | 第37-38页 |
| 4.2.3 Spark Streaming消费Kafka数据 | 第38-39页 |
| 4.2.4 动态社区发现策略 | 第39-41页 |
| 4.2.5 动态社区发现策略实现 | 第41-42页 |
| 4.3 基于SDCDF框架的程序运行结果与分析 | 第42-48页 |
| 4.3.1 相关配置 | 第43-45页 |
| 4.3.2 数据集准备 | 第45页 |
| 4.3.3 运行环境 | 第45页 |
| 4.3.4 运行结果与分析 | 第45-48页 |
| 4.4 本章小结 | 第48-50页 |
| 第五章 社区发现在个性化推荐应用中的研究 | 第50-65页 |
| 5.1 应用分析 | 第50-51页 |
| 5.2 基于Louvain改进算法的电影推荐模型 | 第51-57页 |
| 5.2.1 模型概述 | 第51页 |
| 5.2.2 数据预处理 | 第51-52页 |
| 5.2.3 社区（兴趣团体）划分 | 第52-53页 |
| 5.2.4 LFRM建模算法 | 第53-55页 |
| 5.2.5 偏好值预测 | 第55-56页 |
| 5.2.6 电影推荐 | 第56-57页 |
| 5.3 基于LFRM的系统设计与实现 | 第57-64页 |
| 5.3.1 系统分析 | 第57-59页 |
| 5.3.2 核心功能类的设计 | 第59-60页 |
| 5.3.3 系统实现 | 第60-62页 |
| 5.3.4 推荐效果验证 | 第62-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 总结和展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 今后的工作 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士期间发表的学术论文及科研成果 | 第71页 |
