| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第2章 融合信任网络的基于内存的推荐算法研究 | 第15-37页 |
| 2.1 基于内存的推荐算法分析 | 第15-17页 |
| 2.2 信任网络在推荐算法中的特征分析 | 第17-19页 |
| 2.3 融合信任网络的基于内存的协同过滤推荐算法的优化 | 第19-27页 |
| 2.3.1 STSO算法整体框架 | 第19-20页 |
| 2.3.2 改进用户相似度和信任度的计算公式 | 第20-25页 |
| 2.3.3 改进SlopeOne算法 | 第25-27页 |
| 2.4 实验及结果分析 | 第27-35页 |
| 2.4.1 实验数据集与评价指标 | 第28-30页 |
| 2.4.2 实验参数确定 | 第30-32页 |
| 2.4.3 实验设计及结果分析 | 第32-35页 |
| 2.5 本章小结 | 第35-37页 |
| 第3章 融合信任网络的基于概率矩阵分解的推荐算法研究 | 第37-56页 |
| 3.1 基于模型的推荐算法分析 | 第37-40页 |
| 3.1.1 基于矩阵分解的协同过滤推荐算法 | 第37-39页 |
| 3.1.2 概率矩阵分解模型 | 第39-40页 |
| 3.2 基于信任模型的概率矩阵分解算法分析 | 第40-41页 |
| 3.3 结合信任传递机制和相似度的概率矩阵分解算法优化 | 第41-49页 |
| 3.3.1 数据预处理 | 第41-42页 |
| 3.3.2 改进信任矩阵 | 第42-44页 |
| 3.3.3 RSTE模型的优化与设计 | 第44-49页 |
| 3.3.4 预测评分并产生推荐 | 第49页 |
| 3.4 实验及结果分析 | 第49-54页 |
| 3.4.1 实验数据集与评价指标 | 第50页 |
| 3.4.2 实验参数确定 | 第50-52页 |
| 3.4.3 实验设计及结果分析 | 第52-54页 |
| 3.5 本章小结 | 第54-56页 |
| 第4章 推荐算法在Spark平台上的并行化研究 | 第56-81页 |
| 4.1 大数据环境下推荐算法的问题分析 | 第56-57页 |
| 4.2 Spark大数据处理框架 | 第57-59页 |
| 4.2.1 Spark核心子框架 | 第58页 |
| 4.2.2 SparkCore | 第58-59页 |
| 4.2.3 Spark基本工作流程 | 第59页 |
| 4.3 STSO算法在Spark平台上的并行化优化研究 | 第59-67页 |
| 4.4 TransT-RSTE算法在Spark平台上的并行化优化研究 | 第67-72页 |
| 4.5 实验及结果分析 | 第72-79页 |
| 4.5.1 实验环境搭建与评价指标 | 第72-74页 |
| 4.5.2 实验设计 | 第74页 |
| 4.5.3 实验结果及分析 | 第74-79页 |
| 4.6 本章小结 | 第79-81页 |
| 第5章 总结与展望 | 第81-83页 |
| 5.1 本文总结 | 第81-82页 |
| 5.2 研究展望 | 第82-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-87页 |
| 攻读硕士学位期间发表的论文及参加的科研项目 | 第87页 |
