基于分布式平台的个性化推荐系统研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状及分析 | 第10-12页 |
| 1.2.1 国内外推荐领域理论研究成果 | 第10-11页 |
| 1.2.2 分布式计算框架HADOOP | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 本文的结构 | 第13-14页 |
| 第2章 典型的推荐技术研究及对比分析 | 第14-21页 |
| 2.1 基于内容的推荐模型 | 第14-15页 |
| 2.1.1 内容的特性 | 第15页 |
| 2.1.2 模型优点与存在的问题 | 第15页 |
| 2.2 基于SLOPE-ONE的推荐模型 | 第15-16页 |
| 2.2.1 内容的特性 | 第16页 |
| 2.2.2 模型优点与存在的问题 | 第16页 |
| 2.3 基于协同过滤的推荐模型 | 第16-19页 |
| 2.3.1 协同过滤的核心 | 第16-18页 |
| 2.3.2 协同过滤的特性 | 第18-19页 |
| 2.3.3 模型优点与存在的问题 | 第19页 |
| 2.4 基于组合推荐模型 | 第19页 |
| 2.5 本章小结 | 第19-21页 |
| 第3章 基于分布式的个性化推荐技术实现方案 | 第21-42页 |
| 3.1 改进的分布式推荐技术概述 | 第21-26页 |
| 3.1.1 融合HADOOP的推荐方案选型 | 第21-22页 |
| 3.1.2 降低数据稀疏程度的预处理方法 | 第22-23页 |
| 3.1.3 改进的相似度计算以及预测评分技术 | 第23-26页 |
| 3.2 改进的加权CONTENT-BASED算法 | 第26-28页 |
| 3.3 改进的分布式加权SLOPE-ONE算法 | 第28-32页 |
| 3.4 改进的基于TF-IDF的分布式CF算法 | 第32-41页 |
| 3.4.1 改进的DICF推荐算法 | 第33-40页 |
| 3.4.2 改进的DUCF推荐算法 | 第40-41页 |
| 3.5 组合推荐的方法 | 第41页 |
| 3.6 本章小结 | 第41-42页 |
| 第4章 分布式推荐系统的实现及分析 | 第42-55页 |
| 4.1 系统实验平台构建 | 第42-43页 |
| 4.2 推荐系统DPRS架构设计 | 第43-44页 |
| 4.3 系统实现 | 第44-46页 |
| 4.3.1 推荐系统初始界面 | 第44-45页 |
| 4.3.2 推荐结果显示 | 第45-46页 |
| 4.4 实验结果及数据分析 | 第46-54页 |
| 4.4.1 系统数据预处理 | 第46-47页 |
| 4.4.2 模型效果度量评估方案选型 | 第47-48页 |
| 4.4.3 推荐效果和扩展性效果评估分析 | 第48-54页 |
| 4.4.4 结论 | 第54页 |
| 4.5 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62页 |
