| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.4 本文主要工作 | 第13页 |
| 1.5 本文组织安排 | 第13-14页 |
| 第二章 相关技术研究 | 第14-20页 |
| 2.1 MOOSEFS分布式文件系统 | 第14-16页 |
| 2.1.1 FUSE | 第14-15页 |
| 2.1.2 Moose FS组成结构 | 第15页 |
| 2.1.3 Moose FS操作流程 | 第15-16页 |
| 2.2 DPARK分布式计算框架 | 第16-18页 |
| 2.2.1 RDD实现原理 | 第17页 |
| 2.2.2 Dpark Map Reduce执行原理 | 第17-18页 |
| 2.3 CRAB推荐系统工具包 | 第18-19页 |
| 2.3.1 Crab使用优点 | 第19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 基于赋权评分的推荐算法研究 | 第20-29页 |
| 3.1 基于物品的最近邻推荐算法 | 第20-22页 |
| 3.1.1 算法处理流程 | 第20-21页 |
| 3.1.2 用户评分矩阵 | 第21页 |
| 3.1.3 相似度计算方法 | 第21-22页 |
| 3.2 评分赋权方法 | 第22-24页 |
| 3.2.1 赋权评分计算方法 | 第23页 |
| 3.2.2 算法执行步骤 | 第23-24页 |
| 3.3 推荐系统常用评价标准 | 第24-26页 |
| 3.3.1 预测精准度 | 第24-25页 |
| 3.3.2 分类准确度 | 第25页 |
| 3.3.3 多样性 | 第25-26页 |
| 3.4 协同过滤推荐算法面临的问题 | 第26-28页 |
| 3.4.1 稀疏矩阵 | 第26-27页 |
| 3.4.2 冷启动 | 第27页 |
| 3.4.3 可扩展性 | 第27-28页 |
| 3.4.4 算法复杂性 | 第28页 |
| 3.5 本章小结 | 第28-29页 |
| 第四章 基于赋权评分和DPARK的分布式推荐系统实现 | 第29-39页 |
| 4.1 整体的设计与实现 | 第29-30页 |
| 4.2 分布式存储模块 | 第30-32页 |
| 4.2.1 管理服务器配置 | 第31页 |
| 4.2.2 数据存储服务器配置 | 第31-32页 |
| 4.2.3 客户端配置 | 第32页 |
| 4.3 推荐引擎模块 | 第32-37页 |
| 4.3.1 并行计算子模块 | 第33-36页 |
| 4.3.2 推荐算法实现子模块 | 第36-37页 |
| 4.4 WEB后台管理模块 | 第37页 |
| 4.5 用户接口模块 | 第37-38页 |
| 4.6 本章小结 | 第38-39页 |
| 第五章 实验结果与分析 | 第39-43页 |
| 5.1 实验环境 | 第39页 |
| 5.2 测试数据 | 第39页 |
| 5.3 评价标准 | 第39-40页 |
| 5.4 结果及分析 | 第40-42页 |
| 5.4.1 矩阵稀疏度测试 | 第40-41页 |
| 5.4.2 推荐邻居数测试 | 第41页 |
| 5.4.3 时间效率测试 | 第41-42页 |
| 5.5 本章小结 | 第42-43页 |
| 第六章 总结与展望 | 第43-45页 |
| 6.1 本文所做的工作 | 第43页 |
| 6.2 展望 | 第43-45页 |
| 参考文献 | 第45-48页 |
| 发表论文和科研情况说明 | 第48-49页 |
| 致谢 | 第49-50页 |