个性化推荐在出版业中的研究与应用
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文主要内容 | 第12-15页 |
| 1.3.1 研究内容 | 第12页 |
| 1.3.2 论文结构编排 | 第12-13页 |
| 1.3.3 本文创新点 | 第13-15页 |
| 2 相关理论及技术 | 第15-23页 |
| 2.1 个性化推荐系统 | 第15-19页 |
| 2.1.1 推荐系统的描述 | 第15-16页 |
| 2.1.2 常见的推荐算法技术 | 第16-19页 |
| 2.2 大数据知识 | 第19-20页 |
| 2.2.1 大数据产生背景 | 第19页 |
| 2.2.2 大数据特征 | 第19-20页 |
| 2.3 HADOOP平台 | 第20-23页 |
| 2.3.1 Hadoop概述 | 第20页 |
| 2.3.2 HDFS-分布式文件系统 | 第20-21页 |
| 2.3.3 MapReduce模型 | 第21-23页 |
| 3 SW-TextRank关键词提取算法 | 第23-32页 |
| 3.1 关键词提取算法 | 第23-25页 |
| 3.1.1 TF-IDF算法 | 第23-24页 |
| 3.1.2 TextRank算法 | 第24-25页 |
| 3.2 数学模型 | 第25-28页 |
| 3.2.1 G1赋权法 | 第25-26页 |
| 3.2.2 综合权重 | 第26-28页 |
| 3.3 SW-TEXTRANK关键词提取算法 | 第28-30页 |
| 3.4 实验分析 | 第30-31页 |
| 3.4.1 实验数据集 | 第30页 |
| 3.4.2 实验环境 | 第30-31页 |
| 3.4.3 实验分析 | 第31页 |
| 3.5 本章小结 | 第31-32页 |
| 4 一种多视角深度神经网络推荐模型 | 第32-43页 |
| 4.1 深度神经网络推荐模型 | 第32-39页 |
| 4.1.1 候选集生成模块 | 第33-35页 |
| 4.1.2 排序生成模块 | 第35-36页 |
| 4.1.3 多视角模型 | 第36-37页 |
| 4.1.4 特征值向量化 | 第37-38页 |
| 4.1.5 全连接层 | 第38页 |
| 4.1.6 矩阵分解 | 第38-39页 |
| 4.2 实验仿真及分析 | 第39-42页 |
| 4.2.1 实验环境 | 第39页 |
| 4.2.2 数据集合 | 第39页 |
| 4.2.3 评价标准 | 第39-40页 |
| 4.2.4 实验对比 | 第40页 |
| 4.2.5 执行时间对比分析 | 第40-41页 |
| 4.2.6 实验结果与分析 | 第41-42页 |
| 4.3 本章总结 | 第42-43页 |
| 5 出版业个性化推荐系统构建 | 第43-51页 |
| 5.1 出版业需求 | 第43-44页 |
| 5.2 系统构建的意义 | 第44页 |
| 5.3 系统分析 | 第44-45页 |
| 5.3.1 需求分析 | 第44-45页 |
| 5.3.2 业务流程分析 | 第45页 |
| 5.4 系统构建环境配置 | 第45-46页 |
| 5.5 系统构建 | 第46-50页 |
| 5.5.1 系统架构 | 第46页 |
| 5.5.2 功能模块设计 | 第46-48页 |
| 5.5.3 数据库设计 | 第48-49页 |
| 5.5.4 用户行为模块设计与实现 | 第49页 |
| 5.5.5 信息文本模块设计与实现 | 第49-50页 |
| 5.6 本章小结 | 第50-51页 |
| 6 总结与展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 作者攻读学位期间取得的研究成果 | 第56页 |
