| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 推荐算法的研究现状 | 第12-13页 |
| 1.2.2 Spark的研究现状 | 第13-14页 |
| 1.2.3 推荐算法在人力资源推荐领域的研究现状 | 第14页 |
| 1.3 论文的主要内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第二章 相关技术介绍 | 第17-29页 |
| 2.1 Spark相关技术介绍 | 第17-18页 |
| 2.1.1 Spark简介 | 第17页 |
| 2.1.2 弹性分布式数据集 | 第17-18页 |
| 2.1.3 Spark运行过程 | 第18页 |
| 2.2 推荐算法介绍 | 第18-24页 |
| 2.2.1 基于内容的推荐 | 第18-19页 |
| 2.2.2 协同过滤推荐 | 第19-23页 |
| 2.2.2.1 基于用户的协同过滤 | 第20-22页 |
| 2.2.2.2 基于项目的协同过滤 | 第22-23页 |
| 2.2.2.3 基于模型的协同过滤 | 第23页 |
| 2.2.2.4 协同过滤存在的问题 | 第23页 |
| 2.2.3 混合推荐 | 第23-24页 |
| 2.3 推荐算法评价指标 | 第24-25页 |
| 2.4 聚类算法 | 第25-27页 |
| 2.4.1 K-means聚类 | 第26页 |
| 2.4.2 层次聚类 | 第26-27页 |
| 2.4.3 基于密度的聚类 | 第27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 混合推荐算法设计 | 第29-34页 |
| 3.1 引言 | 第29-30页 |
| 3.2 混合推荐策略 | 第30-31页 |
| 3.3 算法总体流程 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 数据预处理和数据库设计 | 第34-42页 |
| 4.1 数据采集 | 第34-35页 |
| 4.2 数据预处理 | 第35-36页 |
| 4.3 数据库设计 | 第36-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 基于Spark的聚类协同过滤推荐算法 | 第42-51页 |
| 5.1 引言 | 第42-43页 |
| 5.2 算法设计 | 第43-45页 |
| 5.3 聚类协同过滤算法的Spark并行化实现 | 第45-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 融合用户信息的内容推荐算法的Spark实现 | 第51-59页 |
| 6.1 引言 | 第51-52页 |
| 6.2 算法设计 | 第52-55页 |
| 6.3 融合用户信息的内容推荐算法的Spark并行化实现 | 第55-58页 |
| 6.4 本章小结 | 第58-59页 |
| 第七章 实验结果与讨论 | 第59-66页 |
| 7.1 实验数据和实验指标 | 第59页 |
| 7.2 实验环境 | 第59-60页 |
| 7.3 实验及结果分析 | 第60-65页 |
| 7.3.1 算法性能测试 | 第60-64页 |
| 7.3.1.1 不同参数对聚类协同过滤算法性能的影响 | 第60-61页 |
| 7.3.1.2 传统协同过滤推荐与聚类协同过滤推荐对比 | 第61-62页 |
| 7.3.1.3 基于内容的推荐与融合用户信息的内容推荐对比 | 第62-63页 |
| 7.3.1.4 本文混合推荐算法的性能测试 | 第63-64页 |
| 7.3.2 算法并行性测试 | 第64-65页 |
| 7.4 本章小结 | 第65-66页 |
| 总结与展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间取得的研究成果 | 第71-72页 |
| 致谢 | 第72-73页 |
| 附件 | 第73页 |
