| 摘要 | 第2-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 课题研究的背景及意义 | 第8页 |
| 1.2 国内外推荐系统的研究现状 | 第8-11页 |
| 1.3 研究内容 | 第11页 |
| 1.4 论文结构 | 第11-13页 |
| 2 相关技术介绍 | 第13-24页 |
| 2.1 Hadoop平台 | 第13-15页 |
| 2.1.1 HDFS介绍与原理分析 | 第13-14页 |
| 2.1.2 MapReduce编程模型介绍 | 第14-15页 |
| 2.2 推荐系统相关算法介绍 | 第15-19页 |
| 2.2.1 基于内容的推荐算法 | 第16页 |
| 2.2.2 协同过滤的推荐算法 | 第16-18页 |
| 2.2.3 基于知识的推荐算法 | 第18-19页 |
| 2.2.4 混合推荐策略 | 第19页 |
| 2.3 聚类算法 | 第19-21页 |
| 2.4 推荐系统的评价指标 | 第21-22页 |
| 2.4.1 推荐系统的试验方法 | 第21-22页 |
| 2.4.2 算法评价指标 | 第22页 |
| 2.5 本章小结 | 第22-24页 |
| 3 推荐算法研究与改进 | 第24-32页 |
| 3.1 算法提出的背景 | 第24-25页 |
| 3.2 基于用户的协同过滤推荐算法设计 | 第25-30页 |
| 3.2.1 基于用户的协同过滤推荐算法 | 第25-27页 |
| 3.2.2 引入k-means聚类改进推荐算法 | 第27-29页 |
| 3.2.3 k-means聚类算法优化 | 第29-30页 |
| 3.3 算法结构 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 4 基于Hadoop的分布式推荐算法设计 | 第32-42页 |
| 4.1 设计思想 | 第32-33页 |
| 4.2 聚类过程并行化设计 | 第33-35页 |
| 4.2.1 数据预处理 | 第33-34页 |
| 4.2.2 聚类设计 | 第34-35页 |
| 4.3 基于用户的协同过滤推荐算法的并行化设计 | 第35-39页 |
| 4.4 算法合并 | 第39-40页 |
| 4.5 本章小结 | 第40-42页 |
| 5 系统设计与实现 | 第42-57页 |
| 5.1 系统设计 | 第42-45页 |
| 5.1.1 系统功能设计 | 第43-44页 |
| 5.1.2 服务端设计 | 第44-45页 |
| 5.1.3 客户端设计 | 第45页 |
| 5.2 环境搭建与配置 | 第45-47页 |
| 5.2.1 linux配置 | 第46页 |
| 5.2.2 Hadoop安装配置 | 第46页 |
| 5.2.3 Sqoop安装 | 第46-47页 |
| 5.3 数据转移 | 第47页 |
| 5.4 数据存储 | 第47-48页 |
| 5.5 实现过程 | 第48-51页 |
| 5.5.1 MySQL与HDFS之间的数据转移 | 第49页 |
| 5.5.2 执行Hadoop分布式算法 | 第49-50页 |
| 5.5.3 结果展示 | 第50-51页 |
| 5.6 算法评价 | 第51-56页 |
| 5.6.1 传统协同过滤推荐算法准确率与召回率 | 第52-53页 |
| 5.6.2 引入k-means聚类后推荐结果的准确率和召回率 | 第53页 |
| 5.6.3 改进后算法的准确率和召回率 | 第53页 |
| 5.6.4 三种算法的折线对比图 | 第53-55页 |
| 5.6.5 用户量及计算节点数对计算时间的影响 | 第55-56页 |
| 5.7 本章小结 | 第56-57页 |
| 6 结论 | 第57-60页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间发表的论文 | 第63-64页 |
| 致谢 | 第64-66页 |