基于协同过滤的推荐算法设计及其应用实现
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景及研究意义 | 第10-11页 |
| 1.2 本文主要研究工作 | 第11-12页 |
| 1.2.1 基于项目众数均值的稀疏性算法 | 第11页 |
| 1.2.2 基于TopN的冷启动推荐算法 | 第11-12页 |
| 1.2.3 推荐算法框架整合与平台实现 | 第12页 |
| 1.3 论文组织结构 | 第12-14页 |
| 第2章 相关工作综述 | 第14-24页 |
| 2.1 基于协同过滤的推荐算法研究综述 | 第14-16页 |
| 2.1.1 协同过滤技术简介 | 第14页 |
| 2.1.2 相似性度量 | 第14-16页 |
| 2.1.3 基于项目的分布式协同过滤算法 | 第16页 |
| 2.2 基于Hadoop平台的TopN算法 | 第16-17页 |
| 2.3 基于分布式可扩展推荐平台研究综述 | 第17-19页 |
| 2.3.1 HDFS架构简介 | 第17-18页 |
| 2.3.2 MapReduce架构简介 | 第18-19页 |
| 2.4 推荐系统框架整合研究综述 | 第19-22页 |
| 2.4.1 MVC架构定义及分类 | 第19-20页 |
| 2.4.2 SSH2开发框架 | 第20页 |
| 2.4.3 Maven和Junit简介 | 第20-21页 |
| 2.4.4 推荐系统框架 | 第21-22页 |
| 2.5 本章小结 | 第22-24页 |
| 第3章 基于项目众数均值的稀疏性算法 | 第24-34页 |
| 3.1 数据稀疏性问题概述 | 第24页 |
| 3.2 基于众数均值的稀疏矩阵填充 | 第24-25页 |
| 3.3 基于项目众数均值的稀疏性算法实现 | 第25-28页 |
| 3.4 实验及分析 | 第28-32页 |
| 3.4.1 数据集 | 第28页 |
| 3.4.2 评价标准 | 第28-30页 |
| 3.4.3 实验分析 | 第30-32页 |
| 3.5 本章小结 | 第32-34页 |
| 第4章 基于TopN的冷启动推荐算法 | 第34-44页 |
| 4.1 新用户冷启动问题概述 | 第34-35页 |
| 4.2 基于TopN的冷启动推荐算法实现 | 第35-38页 |
| 4.3 基于TopN的推荐流程设计 | 第38-40页 |
| 4.3.1 推荐平台登录 | 第38页 |
| 4.3.2 上传数据集数据 | 第38-39页 |
| 4.3.3 推荐分析 | 第39-40页 |
| 4.4 实验及分析 | 第40-43页 |
| 4.4.1 数据集 | 第40页 |
| 4.4.2 实验分析 | 第40-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 推荐算法框架整合与平台实现 | 第44-64页 |
| 5.1 推荐平台框架整合设计 | 第44-47页 |
| 5.1.1 系统需求分析 | 第44页 |
| 5.1.2 系统架构设计 | 第44-46页 |
| 5.1.3 数据库设计 | 第46-47页 |
| 5.2 推荐算法在平台中可扩展实现 | 第47-55页 |
| 5.2.1 Hadoop集群的搭建和部署 | 第47-48页 |
| 5.2.2 推荐算法的存储扩展 | 第48-52页 |
| 5.2.3 推荐算法的计算扩展 | 第52-55页 |
| 5.3 推荐算法在平台中的应用实现 | 第55-60页 |
| 5.3.1 协同过滤推荐算法实现 | 第55-56页 |
| 5.3.2 Hadoop TopN算法实现 | 第56-59页 |
| 5.3.3 新用户推荐算法实现 | 第59-60页 |
| 5.4 实验及分析 | 第60-62页 |
| 5.4.1 数据集 | 第60页 |
| 5.4.2 评价标准 | 第60-61页 |
| 5.4.3 实验分析 | 第61-62页 |
| 5.5 本章小结 | 第62-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 个人简历 | 第72页 |
