| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 Spark分布式平台现状 | 第11-12页 |
| 1.2.2 移动推荐算法现状 | 第12-14页 |
| 1.3 本文的工作及组织结构 | 第14-15页 |
| 第二章 相关理论和技术 | 第15-22页 |
| 2.1 大数据相关技术 | 第15-20页 |
| 2.1.1 Flume日志收集 | 第15页 |
| 2.1.2 Kafka消息队列 | 第15-16页 |
| 2.1.3 Druid.io实时查询 | 第16-17页 |
| 2.1.4 HDFS分布式存储 | 第17-18页 |
| 2.1.5 Spark计算平台 | 第18-20页 |
| 2.2 部分推荐算法简介 | 第20-21页 |
| 2.2.1 基于内容的推荐 | 第20页 |
| 2.2.2 协同过滤推荐 | 第20-21页 |
| 2.2.3 混合推荐 | 第21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 系统总体架构设计 | 第22-28页 |
| 3.1 系统总体设计 | 第22-23页 |
| 3.2 系统子模块介绍 | 第23-27页 |
| 3.2.1 数据采集与预处理 | 第23-25页 |
| 3.2.2 实时查询模块 | 第25-26页 |
| 3.2.3 离线处理模块 | 第26-27页 |
| 3.3 本章小节 | 第27-28页 |
| 第四章 数据采集和预处理模块 | 第28-38页 |
| 4.1 数据采集和预处理模块设计思路 | 第28-29页 |
| 4.2 Flume数据采集实现 | 第29-31页 |
| 4.2.1 Flume组件 | 第29页 |
| 4.2.2 Flume部署 | 第29-31页 |
| 4.3 Kafka数据缓存与预处理 | 第31-34页 |
| 4.3.1 Kafka关键概念和分区原理 | 第32-33页 |
| 4.3.2 Kafka分布式部署 | 第33-34页 |
| 4.4 Flume-Kafka处理线实现 | 第34-37页 |
| 4.4.1 类设计及部分具体实现 | 第34-36页 |
| 4.4.2 Flume-Kafka测试 | 第36-37页 |
| 4.5 本章小结 | 第37-38页 |
| 第五章 在线查询模块设计与实现 | 第38-46页 |
| 5.1 节点类型及其原理介绍 | 第38-39页 |
| 5.2 Druid在线查询系统分布式设计与实现 | 第39-41页 |
| 5.3 Flume-Kafka-Druid处理线实现 | 第41-45页 |
| 5.3.1 Kafka-Druid设计思路 | 第41页 |
| 5.3.2 Kafka数据预处理 | 第41-43页 |
| 5.3.3 Flume-Kafka-Druid测试 | 第43-45页 |
| 5.4 本章小结 | 第45-46页 |
| 第六章 离线推荐模块设计与实现 | 第46-54页 |
| 6.1 Spark作业运行流程 | 第46-47页 |
| 6.2 程序相关算法理论 | 第47-48页 |
| 6.2.1 基于模型的协同过滤算法 | 第47-48页 |
| 6.2.2 衡量指标 | 第48页 |
| 6.3 基于Spark的移动广告推荐算法实现 | 第48-53页 |
| 6.3.1 移动广告数据处理 | 第48-51页 |
| 6.3.2 基于Spark MLlib的推荐算法实现 | 第51-53页 |
| 6.4 本章小结 | 第53-54页 |
| 第七章 实验与分析 | 第54-66页 |
| 7.1 环境搭建 | 第54-57页 |
| 7.1.1 物理机和虚拟环境配置 | 第54页 |
| 7.1.2 软件环境配置和节点分布 | 第54-57页 |
| 7.2 功能测试 | 第57-63页 |
| 7.2.1 Druid.io实时系统功能测试 | 第57-61页 |
| 7.2.2 Spark离线模块功能测试 | 第61-63页 |
| 7.3 性能测试 | 第63-65页 |
| 7.4 本章小结 | 第65-66页 |
| 总结与展望 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 攻读硕士学位期间取得的研究成果 | 第71-72页 |
| 致谢 | 第72-73页 |
| 附件 | 第73页 |
