| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 引言 | 第8-9页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9页 |
| 1.2 课题研究意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-14页 |
| 1.4 本文的研究内容和重点 | 第14页 |
| 1.5 论文的组织结构 | 第14-15页 |
| 1.6 本章小结 | 第15-16页 |
| 第2章 推荐系统的基础理论和技术 | 第16-28页 |
| 2.1 推荐系统的介绍 | 第16-17页 |
| 2.2 常用的推荐算法 | 第17-21页 |
| 2.2.1 协同过滤推荐算法 | 第17-20页 |
| 2.2.2 基于关联规则的推荐 | 第20页 |
| 2.2.3 基于人口统计学的推荐 | 第20-21页 |
| 2.3 聚类算法 | 第21-23页 |
| 2.3.1 模糊c-均值聚类算法 | 第21-22页 |
| 2.3.2 Canopy聚类算法 | 第22-23页 |
| 2.4 Hadoop平台 | 第23-27页 |
| 2.4.1 HDFS分布式文件存储系统 | 第23-25页 |
| 2.4.2 MapReduce并行编程模型 | 第25-26页 |
| 2.4.3 Sqoop工具 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于Hadoop的推荐算法研究及改进 | 第28-44页 |
| 3.1 SlopeOne算法 | 第28-33页 |
| 3.1.1 传统SlopeOne算法 | 第28-29页 |
| 3.1.2 SlopeOne算法的并行化实现 | 第29-33页 |
| 3.2 SlopeOne算法的改进 | 第33-35页 |
| 3.2.1 时间衰减函数 | 第33-34页 |
| 3.2.2 近邻用户相似度加权 | 第34-35页 |
| 3.3 改进的基于聚类的SlopeOne算法 | 第35-43页 |
| 3.3.1 算法描述 | 第36-37页 |
| 3.3.2 基于聚类的改进的SlopeOne算法的MapReduce实现 | 第37-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 改进的SlopeOne算法的性能测试 | 第44-50页 |
| 4.1 评估方法 | 第44-45页 |
| 4.2 测试环境 | 第45页 |
| 4.3 测试方案的设计 | 第45-46页 |
| 4.4 测试结果 | 第46-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 基于Hadoop的图书推荐系统的架构设计和实现 | 第50-60页 |
| 5.1 推荐系统子模块 | 第51-55页 |
| 5.2 电子图书数据集上的推荐实现 | 第55-59页 |
| 5.2.1 环境的搭建 | 第55-56页 |
| 5.2.2 数据库的设计 | 第56-57页 |
| 5.2.3 推荐结果的展示 | 第57-59页 |
| 5.3 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 导师简介 | 第65-66页 |
| 作者简介 | 第66-67页 |
| 学位论文数据集 | 第67页 |