| 摘要 | 第9-10页 |
| Abstract | 第10-11页 |
| 1 绪论 | 第12-18页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 流计算研究现状 | 第13-14页 |
| 1.2.2 实时推荐算法研究现状 | 第14-15页 |
| 1.2.3 实时推荐系统的研究现状 | 第15-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-18页 |
| 2 相关技术介绍 | 第18-30页 |
| 2.1 推荐系统 | 第18-22页 |
| 2.1.1 基本原理 | 第18页 |
| 2.1.2 推荐算法 | 第18-21页 |
| 2.1.3 评价指标 | 第21-22页 |
| 2.2 分布式流处理技术 | 第22-26页 |
| 2.2.1 日志收集系统Flume | 第22-24页 |
| 2.2.2 消息缓冲系统Kafka | 第24-25页 |
| 2.2.3 流计算系统Spark Streaming | 第25-26页 |
| 2.3 分布式存储技术 | 第26-29页 |
| 2.3.1 内存数据库Redis | 第26-27页 |
| 2.3.2 文件数据库MongoDB | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 基于Item-CF的实时推荐算法 | 第30-39页 |
| 3.1 传统基于物品的推荐算法 | 第30-32页 |
| 3.1.1 用户-物品评分矩阵 | 第30-31页 |
| 3.1.2 计算物品相似度 | 第31-32页 |
| 3.1.3 评分预测 | 第32页 |
| 3.2 基于Item-CF算法存在的问题 | 第32-33页 |
| 3.3 改进的基于Item-CF的实时推荐算法 | 第33-38页 |
| 3.3.1 物品相似度计算 | 第34-35页 |
| 3.3.2 推荐优先级计算 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 实时推荐系统的设计与实现 | 第39-50页 |
| 4.1 系统性能需求 | 第39-40页 |
| 4.1.1 低要求高效率 | 第39页 |
| 4.1.2 高容错高可靠性 | 第39页 |
| 4.1.3 扩展性 | 第39页 |
| 4.1.4 实时性 | 第39-40页 |
| 4.2 实时推荐系统的设计 | 第40-43页 |
| 4.2.1 系统架构设计 | 第40-41页 |
| 4.2.2 数据模型 | 第41-43页 |
| 4.3 实时推荐系统的实现 | 第43-48页 |
| 4.3.1 离线部分处理 | 第43-45页 |
| 4.3.2 在线部分处理 | 第45-48页 |
| 4.4 本章小结 | 第48-50页 |
| 5 系统测试和结果分析 | 第50-56页 |
| 5.1 实验环境 | 第50页 |
| 5.2 实验数据集 | 第50-51页 |
| 5.3 测试目的与方案设计 | 第51-52页 |
| 5.3.1 准确性测试 | 第51页 |
| 5.3.2 性能测试 | 第51-52页 |
| 5.4 测试结果分析 | 第52-55页 |
| 5.4.1 准确性分析 | 第52-53页 |
| 5.4.2 性能分析 | 第53-55页 |
| 5.5 本章小结 | 第55-56页 |
| 6 总结与展望 | 第56-58页 |
| 6.1 全文总结 | 第56页 |
| 6.2 未来展望 | 第56-58页 |
| 7 参考文献 | 第58-62页 |
| 8 攻读硕士学位期间发表的论文 | 第62-63页 |
| 致谢 | 第63页 |