| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第二章 相关工作 | 第16-29页 |
| 2.1 冷启动问题 | 第16-17页 |
| 2.2 实时性问题 | 第17-18页 |
| 2.3 HDFS分布式文件系统 | 第18-20页 |
| 2.3.1 数据块Block | 第18-19页 |
| 2.3.2 主从节点Namenode和Datanode | 第19-20页 |
| 2.4 HBase数据库 | 第20-22页 |
| 2.4.1 基本概念 | 第20-21页 |
| 2.4.2 数据模型 | 第21页 |
| 2.4.3 自动分裂特性 | 第21-22页 |
| 2.5 Thrift框架 | 第22-23页 |
| 2.6 Spark生态系统 | 第23-28页 |
| 2.6.1 Spark Core技术 | 第24-25页 |
| 2.6.2 Spark Streaming技术 | 第25-26页 |
| 2.6.3 MLBase/MLlib技术 | 第26-27页 |
| 2.6.4 Spark与Hadoop的对比 | 第27-28页 |
| 2.7 本章小结 | 第28-29页 |
| 第三章 推荐算法冷启动问题的研究 | 第29-39页 |
| 3.1 问题的提出 | 第29页 |
| 3.2 相关工作 | 第29-33页 |
| 3.2.1 K-means聚类算法 | 第29-30页 |
| 3.2.2 特征映射算法 | 第30-31页 |
| 3.2.3 基于矩阵分解的最小二乘算法 | 第31-33页 |
| 3.3 基于聚类与特征映射的矩阵分解算法 | 第33-37页 |
| 3.3.1 算法的基本思想 | 第33页 |
| 3.3.2 算法 | 第33-36页 |
| 3.3.3 算法分析 | 第36-37页 |
| 3.4 实验及分析 | 第37-38页 |
| 3.4.1 实验环境 | 第37页 |
| 3.4.2 实验数据集 | 第37页 |
| 3.4.3 实验分析 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 实时流计算推荐系统的分析与设计 | 第39-52页 |
| 4.1 推荐系统的实时流计算 | 第39-41页 |
| 4.1.1 问题的提出 | 第39页 |
| 4.1.2 流处理架构 | 第39-41页 |
| 4.2 需求分析与总体架构 | 第41-44页 |
| 4.2.1 功能需求 | 第41页 |
| 4.2.2 性能需求 | 第41-42页 |
| 4.2.3 智能推荐的整体流程及架构图 | 第42-44页 |
| 4.3 推荐系统关键模块的设计 | 第44-51页 |
| 4.3.1 模拟用户评分模块 | 第44-45页 |
| 4.3.2 实时流计算模块 | 第45-48页 |
| 4.3.3 推荐引擎模块 | 第48-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 实时流计算推荐系统的实现 | 第52-63页 |
| 5.1 实时流计算的实现 | 第52-55页 |
| 5.1.1 输入模块的实现 | 第52-53页 |
| 5.1.2 处理模块的实现 | 第53-54页 |
| 5.1.3 Dstream输出模块的实现 | 第54-55页 |
| 5.2 推荐引擎的实现 | 第55-57页 |
| 5.2.1 加载数据模块的实现 | 第56页 |
| 5.2.2 模型训练模块的实现 | 第56-57页 |
| 5.2.3 推荐模块的实现 | 第57页 |
| 5.3 系统测试 | 第57-62页 |
| 5.3.1 测试环境 | 第57-58页 |
| 5.3.2 模拟用户评分 | 第58-59页 |
| 5.3.3 测试用例 | 第59-61页 |
| 5.3.4 测试结果 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 总结和展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间发表的学术论文 | 第70页 |