| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 协同过滤的发展过程 | 第8-9页 |
| 1.2.2 协同过滤面临的问题及研究现状 | 第9-11页 |
| 1.3 论文研究内容 | 第11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第二章 相关理论 | 第13-23页 |
| 2.1 相似性算法 | 第13-14页 |
| 2.2 艾宾浩斯遗忘曲线 | 第14-15页 |
| 2.3 协同过滤算法 | 第15-18页 |
| 2.3.1 协同过滤算法概述 | 第15-16页 |
| 2.3.2 协同过滤算法分类 | 第16-18页 |
| 2.4 开源分布式计算平台hadoop | 第18-22页 |
| 2.4.1 分布式文件系统HDFS | 第19-20页 |
| 2.4.2 并行编程模型MapReduce | 第20-21页 |
| 2.4.3 分布式数据库HBase | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 混合协同过滤算法设计 | 第23-34页 |
| 3.1 问题分析 | 第23-24页 |
| 3.2 算法分析与设计 | 第24-33页 |
| 3.2.1 算法概述 | 第24-25页 |
| 3.2.2 项目聚类 | 第25页 |
| 3.2.3 项目-类矩阵计算 | 第25-27页 |
| 3.2.4 用户-类评分矩阵计算 | 第27-29页 |
| 3.2.5 寻找用户长期兴趣 | 第29-30页 |
| 3.2.6 基于用户的协同过滤推荐过程 | 第30-31页 |
| 3.2.7 基于用户兴趣的推荐过程 | 第31-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第四章 大数据背景下混合协同过滤算法优化 | 第34-46页 |
| 4.1 大数据背景下协同过滤推荐算法面临的难点 | 第34页 |
| 4.2 分布式环境的搭建 | 第34-37页 |
| 4.2.1 hadoop环境的搭建 | 第34-36页 |
| 4.2.2 HBase环境的搭建 | 第36-37页 |
| 4.3 HBase表结构的设计 | 第37-38页 |
| 4.4 基于MapReduce实现协同过滤推荐计算部分 | 第38-44页 |
| 4.4.1 消除用户评分差异算法 | 第38-40页 |
| 4.4.2 协同过滤算法 | 第40-44页 |
| 4.5 基于MapReduce实现基于用户兴趣模型的推荐计算部分 | 第44-45页 |
| 4.6 本章小结 | 第45-46页 |
| 第五章 实验结果分析 | 第46-53页 |
| 5.1 实验环境 | 第46页 |
| 5.2 实验数据 | 第46页 |
| 5.3 实验评价标准 | 第46-47页 |
| 5.3.1 准确率与召回率 | 第46-47页 |
| 5.3.2 加速比 | 第47页 |
| 5.4 实验结果及分析 | 第47-52页 |
| 5.4.1 分析时间因子对基于用户兴趣模型的推荐过程的影响 | 第47-48页 |
| 5.4.2 分析项目类别大小和最近邻居数量对算法性能的影响 | 第48-49页 |
| 5.4.3 算法总体推荐效果验证 | 第49-51页 |
| 5.4.4 数据集成倍增加时对算法性能的评测 | 第51-52页 |
| 5.4.5 Hadoop环境下的算法性能评估 | 第52页 |
| 5.5 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 硕士期间发表的论文 | 第59页 |
