基于Hadoop的改进聚类协同过滤推荐算法研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-12页 |
| 1.1 研究背景和意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.2.1 国内研究现状 | 第8-9页 |
| 1.2.2 国外研究现状 | 第9页 |
| 1.3 本文的主要工作 | 第9-10页 |
| 1.4 本文的组织结构 | 第10-12页 |
| 2 相关研究 | 第12-21页 |
| 2.1 推荐系统 | 第12-13页 |
| 2.2 聚类 | 第13-16页 |
| 2.2.1 K-means算法 | 第13-14页 |
| 2.2.2 Canopy算法 | 第14-16页 |
| 2.3 矩阵分解 | 第16-17页 |
| 2.4 Hadoop | 第17-20页 |
| 2.4.1 HDFS | 第18-19页 |
| 2.4.2 MapReduce | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 3 协同过滤推荐 | 第21-31页 |
| 3.1 协同过滤推荐概述 | 第21-22页 |
| 3.2 相似度计算 | 第22-25页 |
| 3.2.1 余弦相似度 | 第22-23页 |
| 3.2.2 校正余弦相似度 | 第23-24页 |
| 3.2.3 皮尔逊相关系数相似度 | 第24-25页 |
| 3.3 基于内存的协同过滤 | 第25-27页 |
| 3.3.1 基于用户的协同过滤推荐 | 第25-26页 |
| 3.3.2 基于项目的协同过滤推荐 | 第26-27页 |
| 3.4 基于模型的协同过滤 | 第27-29页 |
| 3.4.1 基于聚类的协同过滤推荐 | 第28页 |
| 3.4.2 基于SVD奇异值分解的协同过滤推荐 | 第28-29页 |
| 3.5 协同过滤算法存在的问题 | 第29页 |
| 3.6 本章小结 | 第29-31页 |
| 4 基于Hadoop的改进聚类协同过滤推荐算法 | 第31-42页 |
| 4.1 矩阵分解数据预处理 | 第33-35页 |
| 4.2 改进K-means算法构建聚类模型 | 第35-36页 |
| 4.3 基于聚类模型的协同过滤推荐 | 第36-38页 |
| 4.4 算法MapReduce并行化框架 | 第38-41页 |
| 4.4.1 矩阵分解预处理阶段 | 第38-39页 |
| 4.4.2 构建聚类模型阶段 | 第39-41页 |
| 4.4.3 协同过滤推荐阶段 | 第41页 |
| 4.5 本章小结 | 第41-42页 |
| 5 算法实现与实验 | 第42-52页 |
| 5.1 实验环境 | 第42页 |
| 5.2 实验数据 | 第42-43页 |
| 5.3 实验设计 | 第43-44页 |
| 5.4 评价方法 | 第44-45页 |
| 5.5 实验结果 | 第45-50页 |
| 5.5.1 推荐精准度 | 第46-47页 |
| 5.5.2 稀疏性 | 第47-49页 |
| 5.5.3 可扩展性 | 第49-50页 |
| 5.6 本章小结 | 第50-52页 |
| 6 总结与展望 | 第52-54页 |
| 6.1 本文总结 | 第52页 |
| 6.2 研究展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 附录 | 第58页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第58页 |
