基于大数据的用户动态精准推送服务
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 选题背景和意义 | 第10-12页 |
| 1.1.1 互联网发展及推荐技术的出现 | 第10-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.3 研究内容与目标 | 第14页 |
| 1.4 论文结构 | 第14-16页 |
| 第2章 相关技术 | 第16-24页 |
| 2.1 Hadoop相关技术 | 第16-21页 |
| 2.1.1 分布式文件系统（HDFS） | 第16-20页 |
| 2.1.2 并行编程框架（MapReduce） | 第20-21页 |
| 2.2 现阶段推荐算法 | 第21-22页 |
| 2.2.1 基于协同过滤的推荐算法 | 第22页 |
| 2.2.2 基于内容推荐和组合推荐算法 | 第22页 |
| 2.3 本章小结 | 第22-24页 |
| 第3章 推荐算法的分析 | 第24-30页 |
| 3.1 两种协同过滤推荐算法 | 第24-27页 |
| 3.1.1 基于用户的协同过滤推荐算法 | 第24-26页 |
| 3.1.2 基于物品的协同过滤推荐算法 | 第26-27页 |
| 3.2 两种推荐算法的实验分析 | 第27-29页 |
| 3.2.1 实验数据选取 | 第28页 |
| 3.2.2 测评指标 | 第28-29页 |
| 3.2.3 测试结果 | 第29页 |
| 3.3 本章小结 | 第29-30页 |
| 第4章 基于网页内容的聚类推荐算法 | 第30-40页 |
| 4.1 传统协同过滤算法的优劣分析 | 第30-31页 |
| 4.2 聚类推荐算法 | 第31-33页 |
| 4.2.1 K-means聚类算法 | 第31-32页 |
| 4.2.2 聚类推荐算法的优化 | 第32-33页 |
| 4.3 基于网页内容的聚类推荐算法 | 第33-38页 |
| 4.3.1 向量空间模型计算网页相似度 | 第33-35页 |
| 4.3.2 K-means算法的不足和改进 | 第35-36页 |
| 4.3.3 对聚类用户计算浏览频率 | 第36-38页 |
| 4.4 本章小结 | 第38-40页 |
| 第5章 优化推荐系统的设计 | 第40-54页 |
| 5.1 系统需求分析 | 第40-42页 |
| 5.1.1 用户分析 | 第40-41页 |
| 5.1.2 系统分析 | 第41页 |
| 5.1.3 需求验证 | 第41页 |
| 5.1.4 需求明确 | 第41-42页 |
| 5.2 系统架构设计 | 第42-48页 |
| 5.2.1 系统应用架构 | 第42页 |
| 5.2.2 系统逻辑架构 | 第42-44页 |
| 5.2.3 系统详细设计 | 第44-45页 |
| 5.2.4 Hadoop模块设计 | 第45-46页 |
| 5.2.5 推荐系统流程设计 | 第46-48页 |
| 5.3 系统数据库设计 | 第48-52页 |
| 5.3.1 数据逻辑设计 | 第48-50页 |
| 5.3.2 数据表设计 | 第50-52页 |
| 5.4 本章小结 | 第52-54页 |
| 第6章 系统实现及验证 | 第54-72页 |
| 6.1 Hadoop平台搭建 | 第54-58页 |
| 6.2 功能模块实现 | 第58-62页 |
| 6.2.1 用户登录模块 | 第58-59页 |
| 6.2.2 商品信息展示模块 | 第59-60页 |
| 6.2.3 商品评分模块 | 第60-61页 |
| 6.2.4 商品推荐模块 | 第61-62页 |
| 6.3 实验及分析 | 第62-70页 |
| 6.3.1 实验数据来源 | 第62页 |
| 6.3.2 提取页面关键词 | 第62-63页 |
| 6.3.3 使用聚类算法将页面分为不同的类别 | 第63-64页 |
| 6.3.4 计算同组用户的浏览频率 | 第64-65页 |
| 6.3.5 基于用户的协同过滤算法计算推荐结果 | 第65-67页 |
| 6.3.6 结果和分析 | 第67-70页 |
| 6.4 本章小结 | 第70-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间取得的研究成果 | 第78-80页 |
| 致谢 | 第80页 |
