| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 电子商务个性化推荐的研究现状 | 第13-15页 |
| 1.2.2 云计算技术的研究现状 | 第15-16页 |
| 1.3 主要研究内容 | 第16-18页 |
| 1.4 本文组织结构 | 第18-19页 |
| 2 相关理论概述 | 第19-43页 |
| 2.1 云计算概述 | 第19-23页 |
| 2.1.1 云计算的特点 | 第19-21页 |
| 2.1.2 云计算的企业应用模式分析 | 第21-23页 |
| 2.2 Hadoop云计算处理平台概述 | 第23-27页 |
| 2.2.1 云计算Hadoop平台 | 第23-25页 |
| 2.2.2 HDFS分布式文件系统介绍 | 第25-26页 |
| 2.2.3 MapReduce分布式计算框架介绍 | 第26-27页 |
| 2.3 聚类算法 | 第27-30页 |
| 2.3.1 Canopy算法 | 第27-28页 |
| 2.3.2 FCM算法 | 第28-30页 |
| 2.4 电子商务个性化推荐服务概述 | 第30-33页 |
| 2.4.1 电子商务的概念 | 第30-32页 |
| 2.4.2 电子商务个性化推荐理论 | 第32-33页 |
| 2.5 电子商务个性化推荐主要技术 | 第33-42页 |
| 2.5.1 基于关联规则的推荐 | 第33-35页 |
| 2.5.2 基于人口统计信息的推荐 | 第35页 |
| 2.5.3 协同过滤推荐 | 第35-42页 |
| 2.5.4 组合推荐技术 | 第42页 |
| 2.6 本章小结 | 第42-43页 |
| 3 基于Canopy-FCM改进聚类的协同过滤算法 | 第43-48页 |
| 3.1 相似度度量方法研究 | 第43-44页 |
| 3.1.1 相似度度量方法分析 | 第43页 |
| 3.1.2 皮尔逊相似度度量方法的改进 | 第43-44页 |
| 3.2 基于Canopy-FCM改进聚类的IBCF算法 | 第44-47页 |
| 3.3 本章小结 | 第47-48页 |
| 4 基于Hadoop的电子商务个性化推荐实现 | 第48-58页 |
| 4.1 数据预处理 | 第48页 |
| 4.2 基于Canopy-FCM算法构建项目聚类模型 | 第48-51页 |
| 4.2.1 基于MapReduce的Canopy项目聚类预处理算法 | 第49页 |
| 4.2.2 基于MapReduce的Canopy聚类改进的FCM项目聚类算法 | 第49-51页 |
| 4.3 创建候选项目空间CIS | 第51-52页 |
| 4.4 基于候选项目空间CIS的协同推荐 | 第52-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 实验结果及分析 | 第58-67页 |
| 5.1 实验环境及数据集 | 第58-59页 |
| 5.2 实验评价标准 | 第59-60页 |
| 5.3 实验结果及分析 | 第60-66页 |
| 5.3.1 最佳相似性阈值θ | 第61-62页 |
| 5.3.2 推荐稀疏性实验 | 第62-64页 |
| 5.3.3 推荐准确度实验 | 第64-65页 |
| 5.3.4 推荐算法加速比的分析 | 第65-66页 |
| 5.4 本章小结 | 第66-67页 |
| 6 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67页 |
| 6.2 展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 攻读硕士期间的研究成果及参加的科研项目 | 第75页 |
