| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-14页 |
| 1.3.1 国外研究现状 | 第11-13页 |
| 1.3.2 国内研究现状 | 第13-14页 |
| 1.4 本文的主要工作 | 第14页 |
| 1.5 论文的组织结构 | 第14-16页 |
| 第二章 推荐系统研究 | 第16-33页 |
| 2.1 推荐系统定义与系统构成 | 第16-17页 |
| 2.2 协同过滤推荐 | 第17-26页 |
| 2.2.1 协同过滤算法中的相似度度量 | 第18-19页 |
| 2.2.2 协同过滤关键算法 | 第19-24页 |
| 2.2.3 协同过滤算法存在的问题 | 第24-26页 |
| 2.3 基于内容的推荐 | 第26页 |
| 2.4 基于关联规则的推荐 | 第26-27页 |
| 2.5 混合推荐 | 第27页 |
| 2.6 群组推荐 | 第27-29页 |
| 2.6.1 群组推荐概念 | 第27-28页 |
| 2.6.2 群组推荐相关工作 | 第28-29页 |
| 2.7 各种推荐算法的比较 | 第29-30页 |
| 2.8 推荐系统评测指标 | 第30-31页 |
| 2.9 本章小节 | 第31-33页 |
| 第三章 基于矩阵分解的改进模型 | 第33-44页 |
| 3.1 模型一: 基于类别加权的矩阵分解模型CW-MF | 第33-35页 |
| 3.2 模型二: 基于近邻影响和类别加权的矩阵分解模型NICW-MF | 第35-37页 |
| 3.3 实验设计与结果分析 | 第37-43页 |
| 3.3.1 数据集 | 第37-39页 |
| 3.3.2 对比方法 | 第39页 |
| 3.3.3 评价标准 | 第39-40页 |
| 3.3.4 实验结果 | 第40-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于近邻影响的主题模型的群组个性化推荐 | 第44-60页 |
| 4.1 主题模型LDA | 第44-47页 |
| 4.2 基于近邻影响的群组推荐主题模型NUIT | 第47-51页 |
| 4.2.1 问题定义 | 第47页 |
| 4.2.2 NUIT模型 | 第47-49页 |
| 4.2.3 参数推导过程 | 第49-51页 |
| 4.2.4 个性化推荐 | 第51页 |
| 4.3 实验设计与结果分析 | 第51-59页 |
| 4.3.1 数据集 | 第52-53页 |
| 4.3.2 对比方法 | 第53页 |
| 4.3.3 评价标准 | 第53-54页 |
| 4.3.4 实验结果 | 第54-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 基于Spark的分布式应用 | 第60-71页 |
| 5.1 Spark介绍 | 第60-63页 |
| 5.1.1 Spark概念 | 第60-61页 |
| 5.1.2 弹性分布式数据集 | 第61-62页 |
| 5.1.3 比较Spark和Hadoop | 第62-63页 |
| 5.2 基于Spark的用户相似度分布式计算 | 第63-68页 |
| 5.3 用户相似度分布式计算实验 | 第68-70页 |
| 5.3.1 实验数据 | 第68页 |
| 5.3.2 实验环境 | 第68页 |
| 5.3.3 评价指标 | 第68-69页 |
| 5.3.4 实验结果 | 第69-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 总结 | 第71-73页 |
| 6.1 论文总结 | 第71-72页 |
| 6.2 工作展望 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 致谢 | 第78-79页 |
| 攻读学位期间发表的学术论文 | 第79页 |