| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究意义 | 第10页 |
| 1.3 国内外研究现状 | 第10-12页 |
| 1.4 本文研究内容 | 第12页 |
| 1.5 本文组织结构 | 第12-13页 |
| 1.6 本章小结 | 第13-14页 |
| 2 相关研究综述 | 第14-36页 |
| 2.1 个性化推荐系统概述 | 第14-16页 |
| 2.2 各类推荐算法介绍 | 第16-20页 |
| 2.3 传统基于用户的协同过滤推荐算法 | 第20-24页 |
| 2.3.1 推荐问题定义 | 第21页 |
| 2.3.2 算法总体结构 | 第21-22页 |
| 2.3.3 算法具体步骤 | 第22-23页 |
| 2.3.4 测试数据集 | 第23-24页 |
| 2.3.5 评估标准 | 第24页 |
| 2.4 GPU通用计算 | 第24-34页 |
| 2.4.1 多GPU架构 | 第25-27页 |
| 2.4.2 CUDA硬件模型 | 第27-28页 |
| 2.4.3 CUDA编程模型 | 第28-29页 |
| 2.4.4 CUDA软件体系 | 第29-30页 |
| 2.4.5 CUDA存储器模型 | 第30-32页 |
| 2.4.6 CUDA优化策略 | 第32-34页 |
| 2.5 本章小结 | 第34-36页 |
| 3 基于多GPU的协同过滤推荐算法设计与实现 | 第36-50页 |
| 3.1 多GPU并行任务划分 | 第36-38页 |
| 3.2 多GPU动态数据加载及存储 | 第38-39页 |
| 3.3 并行协同过滤推荐算法实现 | 第39-44页 |
| 3.3.1 计算相似度的并行实现 | 第39-40页 |
| 3.3.2 寻找K最近邻的并行实现 | 第40-41页 |
| 3.3.3 预测评分并产生Top-N推荐的并行实现 | 第41-42页 |
| 3.3.4 Grid和Block尺寸设计 | 第42-44页 |
| 3.4 基于多GPU的协同过滤推荐算法模型 | 第44-45页 |
| 3.5 算法实验 | 第45-49页 |
| 3.5.1 实验环境 | 第45-46页 |
| 3.5.2 实验步骤及结论 | 第46-49页 |
| 3.6 本章小结 | 第49-50页 |
| 4 基于多GPU的协同过滤推荐算法在网络机顶盒视频推荐中的应用 | 第50-60页 |
| 4.1 网络机顶盒视频推荐需求分析 | 第50-51页 |
| 4.2 视频推荐系统总体设计 | 第51-52页 |
| 4.3 视频推荐系统所需的输入数据挖掘 | 第52-55页 |
| 4.4 视频推荐系统实现 | 第55-59页 |
| 4.5 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表学术论文情况 | 第66-67页 |
| 致谢 | 第67-68页 |