基于Spark的混合协同过滤推荐系统的研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第2章 推荐系统及SPARK平台 | 第16-25页 |
| 2.1 引言 | 第16页 |
| 2.2 典型推荐算法概述 | 第16-20页 |
| 2.2.1 基于内容的推荐 | 第17页 |
| 2.2.2 协同过滤推荐 | 第17-18页 |
| 2.2.3 基于人口统计学的推荐 | 第18-19页 |
| 2.2.4 混合推荐算法 | 第19-20页 |
| 2.3 推荐系统相关技术 | 第20-22页 |
| 2.3.1 矩阵分解 | 第20-21页 |
| 2.3.2 相似度计算 | 第21-22页 |
| 2.4 SPARK分布式计算平台 | 第22-24页 |
| 2.4.1 Spark简介 | 第23页 |
| 2.4.2 Spark运行架构 | 第23页 |
| 2.4.3 Spark上层生态 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于动态权重的混合协同过滤推荐算法 | 第25-34页 |
| 3.1 引言 | 第25页 |
| 3.2 基于ALS的矩阵分解模型 | 第25-28页 |
| 3.2.1 矩阵分解模型 | 第26-27页 |
| 3.2.2 ALS矩阵分解 | 第27-28页 |
| 3.3 基于特征矩阵的协同过滤推荐算法 | 第28-32页 |
| 3.3.1 基于特征矩阵的用户协同过滤算法 | 第28-30页 |
| 3.3.2 基于特征矩阵的项目协同过滤算法 | 第30-32页 |
| 3.4 协同过滤推荐算法的动态加权融合 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 推荐系统的分布式实现 | 第34-43页 |
| 4.1 引言 | 第34页 |
| 4.2 分布式推荐系统总体架构设计 | 第34页 |
| 4.3 数据收集及数据处理 | 第34-37页 |
| 4.3.1 数据收集 | 第35-36页 |
| 4.3.2 数据处理 | 第36-37页 |
| 4.4 推荐系统的分布式实现 | 第37-42页 |
| 4.4.1 并行化矩阵分解 | 第38-39页 |
| 4.4.2 混合协同过滤推荐算法的并行化 | 第39-41页 |
| 4.4.3 推荐结果的动态加权融合 | 第41-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第5章 结果总结及分析 | 第43-51页 |
| 5.1 系统测试环境 | 第43-44页 |
| 5.1.1 实验数据 | 第43页 |
| 5.1.2 实验环境 | 第43-44页 |
| 5.2 推荐结果评估 | 第44-49页 |
| 5.2.1 评价指标 | 第44-45页 |
| 5.2.2 推荐结果分析 | 第45-49页 |
| 5.3 分布式平台性能评估 | 第49-50页 |
| 5.4 本章小结 | 第50-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58页 |
