| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 推荐系统的研究现状 | 第12-13页 |
| 1.2.2 分布式计算框架的研究现状 | 第13-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 第二章 相关技术 | 第16-31页 |
| 2.1 大数据相关技术 | 第16-24页 |
| 2.1.1 Hadoop框架 | 第16-18页 |
| 2.1.2 Spark分布式计算框架 | 第18-23页 |
| 2.1.2.1 Spark简介 | 第18-19页 |
| 2.1.2.2 弹性分布式数据集RDD | 第19-20页 |
| 2.1.2.3 Spark上层生态系统 | 第20-22页 |
| 2.1.2.4 Spark框架与编程模型 | 第22-23页 |
| 2.1.3 Parquet列式存储文件 | 第23-24页 |
| 2.2 推荐系统综述 | 第24-30页 |
| 2.2.1 推荐系统介绍 | 第24-25页 |
| 2.2.2 推荐系统算法 | 第25-28页 |
| 2.2.2.1 协同过滤算法 | 第25-27页 |
| 2.2.2.2 基于人口统计学的推荐 | 第27-28页 |
| 2.2.2.3 基于SVD的推荐 | 第28页 |
| 2.2.3 推荐系统评测 | 第28-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第三章 基于Spark的推荐系统的分析与设计 | 第31-46页 |
| 3.1 引言 | 第31页 |
| 3.2 系统架构 | 第31-43页 |
| 3.2.1 系统整体架构 | 第31-32页 |
| 3.2.2 高性能数据仓库的设计 | 第32-33页 |
| 3.2.3 推荐引擎组的分析与设计 | 第33-42页 |
| 3.2.3.1 基于用户的协同过滤算法分析 | 第33-38页 |
| 3.2.3.2 基于项目的协同过滤算法分析 | 第38-39页 |
| 3.2.3.3 协同过滤矩阵分解算法的改进 | 第39-42页 |
| 3.2.4 推荐结果处理模块 | 第42-43页 |
| 3.3 基于Spark的详细设计 | 第43-45页 |
| 3.3.1 Spark中的矩阵运算 | 第43-44页 |
| 3.3.2 推荐引擎算法Spark并行化设计 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于Spark的推荐系统的实现 | 第46-67页 |
| 4.1 数据集描述 | 第46-47页 |
| 4.2 高性能数据仓库的实现 | 第47-49页 |
| 4.2.1 数据仓库初始化 | 第47-48页 |
| 4.2.2 数据仓库Spark SQL实现 | 第48-49页 |
| 4.3 推荐引擎组实现 | 第49-66页 |
| 4.3.1 User-based协同过滤算法Spark并行化实现 | 第49-50页 |
| 4.3.2 Item-based协同过滤算法的Spark并行化实现 | 第50-56页 |
| 4.3.3 基于SVD的推荐 | 第56-60页 |
| 4.3.4 基于内容的推荐 | 第60-64页 |
| 4.3.5 MLlib协同过滤实现电影推荐 | 第64-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第五章 实验结果与分析 | 第67-74页 |
| 5.1 实验环境 | 第67-68页 |
| 5.1.1 实验软硬件环境 | 第67页 |
| 5.1.2 实验数据 | 第67-68页 |
| 5.1.3 优化Spark性能 | 第68页 |
| 5.2 实验分析与设计 | 第68-69页 |
| 5.2.1 计算速度实验设计 | 第69页 |
| 5.2.2 测评指标实验设计 | 第69页 |
| 5.3 测评结果 | 第69-72页 |
| 5.4 本章小结 | 第72-74页 |
| 第六章 全文总结与展望 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-81页 |