| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 引言 | 第10-13页 |
| 1.1.1 研究背景 | 第10-12页 |
| 1.1.2 论文选题来源 | 第12-13页 |
| 1.2 论文研究内容和工作 | 第13-18页 |
| 1.2.1 研究内容 | 第13-15页 |
| 1.2.2 研究工作 | 第15-16页 |
| 1.2.3 本文结构安排以及创新点 | 第16-18页 |
| 第2章 相关的关键理论及技术 | 第18-34页 |
| 2.1 推荐系统 | 第18-19页 |
| 2.2 数据建模 | 第19-21页 |
| 2.2.1 数据收集 | 第20页 |
| 2.2.2 模型表示 | 第20-21页 |
| 2.3 推荐算法 | 第21-27页 |
| 2.3.1 协同过滤推荐算法 | 第21-23页 |
| 2.3.2 Slope One推荐算法 | 第23-25页 |
| 2.3.3 ALS-WR推荐算法 | 第25-26页 |
| 2.3.4 其它推荐算法简介 | 第26-27页 |
| 2.4 相似性度量方法 | 第27-29页 |
| 2.5 云计算平台 | 第29-32页 |
| 2.5.1 云计算架构 | 第29-30页 |
| 2.5.2 Hadoop框架 | 第30-32页 |
| 2.6 CPU-GPU异构系统 | 第32-34页 |
| 第3章 面向海量数据的推荐系统的研究 | 第34-60页 |
| 3.1 基于扩展向量的推荐模型 | 第34-39页 |
| 3.1.1 新模型的思想 | 第34-36页 |
| 3.1.2 新模型的具体流程 | 第36-39页 |
| 3.2 新模型的分布式应用与实现 | 第39-54页 |
| 3.2.1 基于Hadoop的CF-Item的推荐算法 | 第39-43页 |
| 3.2.2 基于Hadoop的Slopeone推荐算法 | 第43-46页 |
| 3.2.3 基于Hadoop的ALS-WR推荐算法 | 第46-47页 |
| 3.2.4 推荐结果评估 | 第47-51页 |
| 3.2.5 系统算法采用-新的混合推荐算法 | 第51-54页 |
| 3.3 面向海量数据的推荐系统的设计 | 第54-60页 |
| 3.3.1 系统的体系结构 | 第54-55页 |
| 3.3.2 系统的业务设计 | 第55-57页 |
| 3.3.3 系统的数据支撑平台的设计 | 第57-58页 |
| 3.3.4 系统的智能推荐模块设计 | 第58-60页 |
| 第4章 面向海量数据的推荐系统的实现 | 第60-70页 |
| 4.1 面向海量数据推荐系统的实现 | 第60-66页 |
| 4.1.1 推荐系统的框架体系 | 第60-61页 |
| 4.1.2 数据支撑平台的实现 | 第61-64页 |
| 4.1.3 推荐模块的并行化实现 | 第64-66页 |
| 4.2 面向海量数据推荐系统WEB界面展示 | 第66-69页 |
| 4.2.1 欢迎界面 | 第67页 |
| 4.2.2 为用户给出个性化推荐界面 | 第67-68页 |
| 4.2.3 用户浏览以及评分界面 | 第68页 |
| 4.2.4 输入文件上传及推荐结果下载界面 | 第68-69页 |
| 4.3 本章小结 | 第69-70页 |
| 结论 | 第70-72页 |
| 论文主要完成的工作 | 第70-71页 |
| 未来的展望 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 攻读学位期间发表论文与研究成果清单 | 第75-76页 |
| 致谢 | 第76页 |
