| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与研究意义 | 第10-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 推荐算法中用户行为数据的研究 | 第11-12页 |
| 1.2.2 基于IPTV的推荐算法的研究 | 第12-14页 |
| 1.3 本文研究内容 | 第14-16页 |
| 第二章 相关技术综述 | 第16-22页 |
| 2.1 用户行为数据分析 | 第16-17页 |
| 2.2 个性化推荐算法 | 第17-18页 |
| 2.3 Spark分布式计算架构介绍 | 第18-21页 |
| 2.3.1 Spark生态系统 | 第18-19页 |
| 2.3.2 Spark集群架构 | 第19-20页 |
| 2.3.3 Spark平台的编程基础 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 IPTV用户行为分析 | 第22-30页 |
| 3.1 IPTV用户行为数据有效性分析 | 第22-25页 |
| 3.1.1 IPTV用户行为数据类型 | 第22-23页 |
| 3.1.2 节目收视时长的线性回归分析 | 第23-25页 |
| 3.1.3 基于收视时长和收视比值的数据预处理策略 | 第25页 |
| 3.2 基于用户行为的隐式评分模型 | 第25-28页 |
| 3.2.1 隐式评分模型设计 | 第26页 |
| 3.2.2 用户行为特征的作用函数 | 第26-28页 |
| 3.2.3 收视时长和收视比值的权重 | 第28页 |
| 3.3 隐式评分模型实验结果分析 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 基于用户聚类的协同过滤算法研究 | 第30-42页 |
| 4.1 基于视频标签的用户聚类分析 | 第30-37页 |
| 4.1.1 K-Means与K-Means++聚类算法原理 | 第30-32页 |
| 4.1.2 基于视频标签的用户聚类算法实现 | 第32-33页 |
| 4.1.3 用户聚类实验结果分析 | 第33-37页 |
| 4.2 基于用户聚类的协同过滤推荐算法 | 第37-41页 |
| 4.2.1 协同过滤推荐算法原理 | 第37-38页 |
| 4.2.2 协同过滤推荐算法实现 | 第38-39页 |
| 4.2.3 基于用户聚类的协同过滤推荐算法 | 第39-40页 |
| 4.2.4 基于用户聚类的协同过滤推荐算法实验结果分析 | 第40-41页 |
| 4.3 本章小结 | 第41-42页 |
| 第五章 基于Spark的IPTV分布式协同过滤推荐算法 | 第42-56页 |
| 5.1 IPTV分布式协同过滤算法设计 | 第42-49页 |
| 5.1.1 数据预处理的分布式设计 | 第43-44页 |
| 5.1.2 隐式评分模型的分布式设计 | 第44-45页 |
| 5.1.3 用户聚类的分布式设计 | 第45-47页 |
| 5.1.4 基于用户聚类的协同过滤算法分布式设计 | 第47-49页 |
| 5.2 Spark分布式实验环境 | 第49-52页 |
| 5.2.1 硬件环境 | 第49-50页 |
| 5.2.2 软件环境 | 第50页 |
| 5.2.3 Spark集群配置 | 第50-52页 |
| 5.3 分布式实验结果与分析 | 第52-54页 |
| 5.3.1 隐式评分实验 | 第52页 |
| 5.3.2 用户聚类实验 | 第52-53页 |
| 5.3.3 基于用户聚类的协同过滤推荐实验 | 第53-54页 |
| 5.4 本章小结 | 第54-56页 |
| 第六章 结论与展望 | 第56-58页 |
| 6.1 研究总结 | 第56页 |
| 6.2 进一步工作及展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间取得的研究成果 | 第62-64页 |
| 致谢 | 第64-65页 |
