实时推荐中精确性和实时性改进算法研究
| 摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10页 |
| 1.3 本文的主要工作与组织结构 | 第10-14页 |
| 1.3.1 本文的主要工作 | 第10-11页 |
| 1.3.2 本文的组织结构 | 第11-14页 |
| 2 推荐系统及常用算法 | 第14-36页 |
| 2.1 推荐系统概念 | 第14页 |
| 2.2 推荐系统的应用 | 第14-16页 |
| 2.3 推荐系统的算法 | 第16-20页 |
| 2.3.1 协同过滤算法 | 第16-18页 |
| 2.3.2 基于内容的推荐算法 | 第18-19页 |
| 2.3.3 融合推荐算法 | 第19页 |
| 2.3.4 其他推荐算法 | 第19-20页 |
| 2.4 基于模型的协同过滤 | 第20-33页 |
| 2.4.1 隐因子模型 | 第20-23页 |
| 2.4.2 受限玻尔兹曼机模型 | 第23-33页 |
| 2.5 推荐系统的评估标准 | 第33-34页 |
| 2.6 本章小结 | 第34-36页 |
| 3 一种混合多模型的协同过滤算法 | 第36-48页 |
| 3.1 常用的模型组合方法 | 第36-38页 |
| 3.1.1 线性组合 | 第36-37页 |
| 3.1.2 神经网络组合 | 第37-38页 |
| 3.2 混合多模型的协同过滤算法 | 第38-41页 |
| 3.3 实验结果与分析 | 第41-47页 |
| 3.4 本章小结 | 第47-48页 |
| 4 基于行为权重的实时性改进算法 | 第48-64页 |
| 4.1 相关技术 | 第48-53页 |
| 4.1.1 Flume | 第48-50页 |
| 4.1.2 Kafka | 第50-51页 |
| 4.1.3 Storm | 第51-53页 |
| 4.2 实时推荐模型设计 | 第53-57页 |
| 4.3 基于行为权重的实时推荐算法 | 第57-59页 |
| 4.4 实验结果与分析 | 第59-62页 |
| 4.5 本章小结 | 第62-64页 |
| 5 实时推荐算法应用实践 | 第64-76页 |
| 5.1 实时推荐模型的实现 | 第64-72页 |
| 5.1.1 开发时间和工具 | 第64-65页 |
| 5.1.2 数据采集模块的实现 | 第65-66页 |
| 5.1.3 消息队列模块的实现 | 第66页 |
| 5.1.4 实时推荐模块的实现 | 第66-72页 |
| 5.2 实时推荐模型的应用实践 | 第72-73页 |
| 5.3 本章小结 | 第73-76页 |
| 6 总结与展望 | 第76-78页 |
| 6.1 本文工作总结 | 第76页 |
| 6.2 本文工作展望 | 第76-78页 |
| 致谢 | 第78-80页 |
| 参考文献 | 第80-82页 |
