| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 Spark研究现状 | 第11页 |
| 1.2.2 推荐算法研究现状 | 第11-12页 |
| 1.2.3 基于Spark推荐系统应用现状 | 第12-13页 |
| 1.3 论文研究内容及意义 | 第13-14页 |
| 1.3.1 本文研究内容 | 第13页 |
| 1.3.2 本文研究意义 | 第13-14页 |
| 1.4 论文结构安排 | 第14-16页 |
| 第二章 基本理论与相关技术 | 第16-32页 |
| 2.1 Spark相关技术 | 第16-21页 |
| 2.1.1 Spark分布式计算框架 | 第16-18页 |
| 2.1.1.1 Spark概述 | 第16页 |
| 2.1.1.2 Spark运行架构 | 第16-18页 |
| 2.1.1.3 Spark上层生态系统 | 第18页 |
| 2.1.2 Spark与Hadoop的比较 | 第18-19页 |
| 2.1.3 机器学习框架Mahout | 第19-21页 |
| 2.2 推荐系统综述 | 第21-31页 |
| 2.2.1 推荐系统 | 第21页 |
| 2.2.2 推荐算法 | 第21-29页 |
| 2.2.2.1 基于邻域的推荐算法 | 第22-26页 |
| 2.2.2.2 基于隐语义模型推荐算法 | 第26-27页 |
| 2.2.2.3 基于内容的推荐算法 | 第27-28页 |
| 2.2.2.4 混合推荐算法 | 第28-29页 |
| 2.2.3 推荐系统评测 | 第29-31页 |
| 2.2.3.1 评分预测 | 第29-30页 |
| 2.2.3.2 查准率与召回率 | 第30-31页 |
| 2.2.3.3 新颖度 | 第31页 |
| 2.3 本章小结 | 第31-32页 |
| 第三章 协同过滤推荐算法的并行化研究 | 第32-40页 |
| 3.1 协同过滤推荐算法并行化设计 | 第32-34页 |
| 3.2 基于邻域推荐算法并行化实现 | 第34-36页 |
| 3.2.1 并行化实现基于用户的协同过滤推荐 | 第35-36页 |
| 3.2.2 并行化实现基于物品的协同过滤推荐 | 第36页 |
| 3.3 并行化实现基于ALS模型推荐 | 第36-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第四章 基于Spark的平台ALS模型推荐算法的优化 | 第40-46页 |
| 4.1 ALS模型推荐算法及其优化策略 | 第40-43页 |
| 4.1.1 问题描述 | 第40-41页 |
| 4.1.2 算法改进 | 第41-43页 |
| 4.2 ALS-NCG模型推荐算法的并行化实现 | 第43-45页 |
| 4.2.1 向量存储 | 第43页 |
| 4.2.2 向量运算 | 第43-44页 |
| 4.2.3 线性搜索和损失函数评估 | 第44-45页 |
| 4.2.4 梯度矢量评估 | 第45页 |
| 4.3 本章小结 | 第45-46页 |
| 第五章 实验及结果分析 | 第46-58页 |
| 5.1 实验环境 | 第46-49页 |
| 5.2 实验数据集 | 第49页 |
| 5.3 实验设计 | 第49-50页 |
| 5.4 实验结果及分析 | 第50-55页 |
| 5.5 本章小结 | 第55-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 工作总结 | 第58-59页 |
| 6.2 工作展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读学位期间发表论文、获奖等情况 | 第64-66页 |
| 致谢 | 第66-67页 |