| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.3.1 国外研究现状 | 第11-12页 |
| 1.3.2 国内研究现状 | 第12-13页 |
| 1.4 研究内容及创新点 | 第13-14页 |
| 1.4.1 研究内容 | 第13-14页 |
| 1.4.2 论文主要创新点 | 第14页 |
| 1.5 论文组织结构 | 第14-15页 |
| 1.6 本章小结 | 第15-16页 |
| 第2章 相关技术概述 | 第16-26页 |
| 2.1 协同过滤推荐算法 | 第16-18页 |
| 2.1.1 协同过滤推荐算法的概念 | 第16-17页 |
| 2.1.2 协同过滤推荐算法的分类 | 第17-18页 |
| 2.1.3 评分相似性度量 | 第18页 |
| 2.2 聚类 | 第18-20页 |
| 2.2.1 聚类算法的概念 | 第18页 |
| 2.2.2 聚类算法的分类 | 第18-20页 |
| 2.3 Hadoop分布式平台 | 第20-23页 |
| 2.3.1 Hadoop概述 | 第20页 |
| 2.3.2 HDFS | 第20-21页 |
| 2.3.3 MapReduce | 第21-22页 |
| 2.3.4 YARN | 第22-23页 |
| 2.4 Spark计算框架 | 第23-25页 |
| 2.4.1 Spark概述 | 第23页 |
| 2.4.2 Spark体系架构 | 第23-24页 |
| 2.4.3 Spark工作流程 | 第24页 |
| 2.4.4 弹性分布式数据集RDD | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于Spark框架的并行聚类算法 | 第26-40页 |
| 3.1 K-means聚类算法概述 | 第26-28页 |
| 3.1.1 K-means算法思想 | 第26-27页 |
| 3.1.2 K-means算法流程 | 第27-28页 |
| 3.2 Canopy算法概述 | 第28-30页 |
| 3.2.1 Canopy算法思想 | 第28-29页 |
| 3.2.2 Canopy算法流程 | 第29-30页 |
| 3.3 基于Spark框架的SBTICK-means并行聚类算法 | 第30-34页 |
| 3.3.1 三角不等式定理 | 第30页 |
| 3.3.2 SBTICK-means算法思想及设计 | 第30-32页 |
| 3.3.3 SBTICK-means算法并行化实现 | 第32-34页 |
| 3.4 实验设计与分析 | 第34-39页 |
| 3.4.1 实验环境配置与部署 | 第34-36页 |
| 3.4.2 实验数据集及评价指标 | 第36-37页 |
| 3.4.3 实验结果及分析 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于聚类和Spark框架的加权Slope One算法 | 第40-50页 |
| 4.1 Slope One算法 | 第40-42页 |
| 4.1.1 Slope One算法思想 | 第40-41页 |
| 4.1.2 Slope One算法流程 | 第41-42页 |
| 4.2 基于聚类的加权Slope One算法 | 第42-44页 |
| 4.2.1 项目评分相似性与项目属性相似性 | 第42页 |
| 4.2.2 时间衰减函数与项目综合相似性 | 第42-43页 |
| 4.2.3 SBTICK-means项目聚类算法 | 第43-44页 |
| 4.2.4 预测与推荐 | 第44页 |
| 4.3 基于聚类和Spark框架的加权Slope One算法 | 第44-46页 |
| 4.3.1 基于聚类的加权Slope One算法描述 | 第44-45页 |
| 4.3.2 时间复杂度分析 | 第45页 |
| 4.3.3 基于聚类的加权Slope One算法的并行化实现 | 第45-46页 |
| 4.4 实验设计与分析 | 第46-49页 |
| 4.4.1 实验环境、测试数据集及评价指标 | 第46页 |
| 4.4.2 实验结果及分析 | 第46-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50-51页 |
| 5.2 展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 在读期间发表的学术论文及研究成果 | 第56-57页 |
| 致谢 | 第57页 |
