基于Hadoop云平台推荐系统的研究与设计
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12页 |
| 1.2.3 前人工作综述 | 第12-14页 |
| 1.3 主要工作内容及创新点 | 第14-15页 |
| 1.4 论文结构 | 第15-18页 |
| 第二章 相关概念与技术 | 第18-30页 |
| 2.1 推荐系统 | 第18-19页 |
| 2.2 协同过滤推荐技术 | 第19-23页 |
| 2.2.1 协同过滤推荐简介 | 第19页 |
| 2.2.2 协同过滤技术的实现过程 | 第19-20页 |
| 2.2.3 协同过滤技术分类 | 第20-23页 |
| 2.3 Hadoop并行计算框架 | 第23-28页 |
| 2.3.1 YARN分布式框架 | 第23-26页 |
| 2.3.2 HDFS分布式文件系统 | 第26-27页 |
| 2.3.3 基于Hadoop的协同过滤算法研究 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 基于用户兴趣模型及惩罚因子的协同过滤算法 | 第30-44页 |
| 3.1 问题分析 | 第30-33页 |
| 3.1.1 稀疏矩阵问题及成因 | 第30-31页 |
| 3.1.2 稀疏矩阵问题现有解决方案 | 第31-33页 |
| 3.2 算法优化策略与原理 | 第33-38页 |
| 3.2.1 基于用户兴趣模型降维计算 | 第34-36页 |
| 3.2.2 基于用户兴趣模型加权填值 | 第36-37页 |
| 3.2.3 惩罚主观因子的用户相似性计算 | 第37-38页 |
| 3.3 算法实现 | 第38-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于Hadoop的推荐系统设计与实现 | 第44-56页 |
| 4.1 系统需求分析 | 第44-45页 |
| 4.2 系统架构设计与实现 | 第45-49页 |
| 4.2.1 数据收集与处理模块 | 第45-46页 |
| 4.2.2 推荐引擎模块 | 第46-48页 |
| 4.2.3 推荐结果处理模块 | 第48页 |
| 4.2.4 用户交互模块 | 第48-49页 |
| 4.2.5 系统管理模块 | 第49页 |
| 4.3 数据库设计与实现 | 第49-51页 |
| 4.3.1 用户信息表 | 第50页 |
| 4.3.2 用户评分表 | 第50页 |
| 4.3.3 用户兴趣表 | 第50-51页 |
| 4.3.4 电影信息表 | 第51页 |
| 4.3.5 虚拟用户评分表 | 第51页 |
| 4.4 基于Hadoop设计 | 第51-53页 |
| 4.5 功能展示 | 第53-54页 |
| 4.6 本章小结 | 第54-56页 |
| 第五章 实验与结果分析 | 第56-62页 |
| 5.1 Hadoop平台搭建及配置 | 第56-57页 |
| 5.2 实验数据集 | 第57页 |
| 5.3 评价标准 | 第57-58页 |
| 5.4 实验及分析 | 第58-61页 |
| 5.4.1 验证对稀疏矩阵问题的优化 | 第58-59页 |
| 5.4.2 验证海量计算问题的优化 | 第59-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 论文工作总结 | 第62-63页 |
| 6.2 问题和展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |
