| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景及研究的目的和意义 | 第10-12页 |
| 1.2 本课题相关的国内外研究状况 | 第12-17页 |
| 1.2.1 推荐系统发展综述 | 第12-13页 |
| 1.2.2 推荐系统的主要算法研究 | 第13-15页 |
| 1.2.3 推荐系统的商业应用现状 | 第15-16页 |
| 1.2.4 推荐系统目前存在的主要问题 | 第16-17页 |
| 1.3 本文的主要研究内容和结构安排 | 第17-18页 |
| 第2章 推荐引擎框架需求分析与相关技术 | 第18-29页 |
| 2.1 推荐引擎框架需求分析 | 第18-21页 |
| 2.1.1 功能需求分析 | 第18-20页 |
| 2.1.2 非功能需求 | 第20-21页 |
| 2.1.3 技术需求 | 第21页 |
| 2.2 相关技术与算法 | 第21-27页 |
| 2.2.1 Apache Hadoop 技术 | 第21-24页 |
| 2.2.2 协同过滤推荐算法 | 第24-26页 |
| 2.2.3 基于上下文的协同过滤推荐 | 第26-27页 |
| 2.3 本章小结 | 第27-29页 |
| 第3章 推荐引擎框架的设计与实现 | 第29-62页 |
| 3.1 推荐引擎架构整体框架 | 第29-30页 |
| 3.2 框架的功能结构设计 | 第30-31页 |
| 3.3 数据模型 | 第31-34页 |
| 3.3.1 Map Reduce Job 输入输出格式研究 | 第31-32页 |
| 3.3.2 框架输入数据模型 | 第32-34页 |
| 3.4 Map/Reduce Job 设计 | 第34-35页 |
| 3.5 源数据处理模块 | 第35页 |
| 3.6 HDFS 存储模块 | 第35-37页 |
| 3.7 公式符号说明 | 第37页 |
| 3.8 公共模块 | 第37-40页 |
| 3.8.1 时间衰减函数 | 第38-40页 |
| 3.8.2 计算物品平均评分 | 第40页 |
| 3.8.3 异常处理 | 第40页 |
| 3.9 相似度计算模块 | 第40-46页 |
| 3.9.1 杰卡德相似度 | 第40-41页 |
| 3.9.2 欧几里德距离相似度 | 第41页 |
| 3.9.3 余弦相似度 | 第41-42页 |
| 3.9.4 皮尔逊相似度 | 第42页 |
| 3.9.5 相似度计算流程 | 第42-43页 |
| 3.9.6 用户对物品兴趣度预测 | 第43-46页 |
| 3.10 推荐结果过滤模块 | 第46-54页 |
| 3.10.1 用户行为过滤 | 第47-48页 |
| 3.10.2 物品平均分过滤 | 第48-49页 |
| 3.10.3 地理位置过滤 | 第49-52页 |
| 3.10.4 个性化 TopN 推荐 | 第52-54页 |
| 3.11 可扩展性实现 | 第54-60页 |
| 3.11.1 XML 参数配置 | 第55-56页 |
| 3.11.2 相似度算法扩展实现 | 第56-60页 |
| 3.11.3 推荐过滤算法扩展实现 | 第60页 |
| 3.12 本章小结 | 第60-62页 |
| 第4章 推荐引擎框架测试与应用 | 第62-77页 |
| 4.1 测试环境 | 第62-63页 |
| 4.2 系统测试 | 第63-69页 |
| 4.2.1 测试工具 | 第63-64页 |
| 4.2.2 单元测试 | 第64-65页 |
| 4.2.3 系统测试数据集 | 第65-66页 |
| 4.2.4 结果衡量指标 | 第66页 |
| 4.2.5 测试结果 | 第66-69页 |
| 4.3 推荐引擎框架的应用 | 第69-76页 |
| 4.3.1 应用系统框架 | 第69-70页 |
| 4.3.2 推荐场景分析 | 第70-72页 |
| 4.3.3 二次开发 | 第72-75页 |
| 4.3.4 结果分析 | 第75-76页 |
| 4.4 本章小结 | 第76-77页 |
| 结论 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 致谢 | 第83-84页 |
| 个人简历 | 第84页 |