基于分布式的社交网络信息推荐
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文的主要内容 | 第10-11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第二章 分布式物流推荐的相关理论基础 | 第13-23页 |
| 2.1 Hadoop | 第13-16页 |
| 2.1.1 HDFS-分布式存储系统 | 第14页 |
| 2.1.2 MapReduce-分布式计算框架 | 第14-16页 |
| 2.2 Mahout | 第16-17页 |
| 2.3 经典的推荐算法 | 第17-19页 |
| 2.3.1 基于内容的推荐 | 第17-18页 |
| 2.3.2 基于协同过滤的推荐 | 第18-19页 |
| 2.3.4 基于时效的推荐 | 第19页 |
| 2.4 经典预测算法 | 第19-20页 |
| 2.5 经典自然语言处理算法 | 第20-21页 |
| 2.6 本章小结 | 第21-23页 |
| 第三章 基于Mahout的分布式推荐模型设计 | 第23-37页 |
| 3.1 分布式推荐模型的需求分析 | 第23-24页 |
| 3.1.1 功能需求分析 | 第23页 |
| 3.1.2 物流特性分析 | 第23-24页 |
| 3.2 基于Mahout的分布式推荐模型的设计 | 第24-28页 |
| 3.2.1 底层推荐算法的设计 | 第25-27页 |
| 3.2.2 第二层预测算法的设计 | 第27-28页 |
| 3.3 底层分布式增量推荐模型的设计 | 第28-35页 |
| 3.3.1 基于物品的增量推荐算法 | 第28-30页 |
| 3.3.2 基于mahout的逻辑实现 | 第30-35页 |
| 3.4 基于sklearn的预测模型设计 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于HANLP的预处理模型的设计 | 第37-49页 |
| 4.1 预处理模型的设计需求 | 第37-39页 |
| 4.1.1 功能需求分析 | 第37-38页 |
| 4.1.2 物流QQ群消息特性分析 | 第38-39页 |
| 4.2 预处理模型的设计 | 第39-41页 |
| 4.2.1 自然语言处理模块的设计 | 第39-40页 |
| 4.2.2 预处理模型整体框架设计 | 第40-41页 |
| 4.3 基于HANLP的消息提取模型 | 第41-45页 |
| 4.3.1 HANLP的分词技术 | 第41-42页 |
| 4.3.2 基于HANLP的规则自定义信息提取 | 第42-45页 |
| 4.4 物流属性添加层 | 第45-47页 |
| 4.5 本章小结 | 第47-49页 |
| 第五章 分布式物流推荐模型的系统实现 | 第49-65页 |
| 5.1 系统实现的整体分析 | 第49-51页 |
| 5.1.1 系统实现的需求分析 | 第49-50页 |
| 5.1.2 系统整体实现框架 | 第50-51页 |
| 5.2 系统的详细设计 | 第51-54页 |
| 5.2.1 HANLP预处理模型的设计 | 第51-52页 |
| 5.2.2 分布式推荐模型的设计 | 第52页 |
| 5.2.3 基于Django的后台服务接口 | 第52-53页 |
| 5.2.4 基于JS框架的前端页面展示 | 第53-54页 |
| 5.3 基于MySQL的关联型数据存储 | 第54-56页 |
| 5.3.1 关联型数据仓库的设计理念 | 第54-55页 |
| 5.3.2 关联数据仓库的设计 | 第55-56页 |
| 5.4 系统测试 | 第56-62页 |
| 5.4.1 功能测试 | 第56-58页 |
| 5.4.2 性能测试 | 第58-62页 |
| 5.5 本章小结 | 第62-65页 |
| 第六章 总结和展望 | 第65-67页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71页 |
