| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第13-18页 |
| 1.1 课题背景 | 第13-14页 |
| 1.2 相关研究现状 | 第14-17页 |
| 1.3 本文的研究内容 | 第17页 |
| 1.4 论文结构 | 第17-18页 |
| 第2章 相关技术介绍 | 第18-37页 |
| 2.1 大数据相关技术介绍 | 第18-25页 |
| 2.1.1 Spark分布式计算框架 | 第18-23页 |
| 2.1.1.1 Spark简介 | 第18-19页 |
| 2.1.1.2 Spark运行架构 | 第19-20页 |
| 2.1.1.3 Spark上层生态系统 | 第20-21页 |
| 2.1.1.4 Spark与MapReduce的比较 | 第21-23页 |
| 2.1.2 HDFS分布式存储框架 | 第23-24页 |
| 2.1.3 Parquet文件类型 | 第24-25页 |
| 2.2 推荐系统综述 | 第25-35页 |
| 2.2.1 推荐系统介绍 | 第25-26页 |
| 2.2.2 推荐算法 | 第26-34页 |
| 2.2.2.1 协同过滤 | 第26-28页 |
| 2.2.2.2 基于SVD的推荐 | 第28-29页 |
| 2.2.2.3 基于人口统计学的推荐 | 第29-31页 |
| 2.2.2.4 基于内容的推荐 | 第31-33页 |
| 2.2.2.5 混合推荐技术 | 第33-34页 |
| 2.2.3 推荐系统评价指标 | 第34-35页 |
| 2.3 本章小结 | 第35-37页 |
| 第3章 基于Spark的推荐系统的设计 | 第37-47页 |
| 3.1 项目背景 | 第37-38页 |
| 3.2 系统架构 | 第38-43页 |
| 3.2.1 整体架构 | 第38-40页 |
| 3.2.2 高性能数据仓库的设计 | 第40-41页 |
| 3.2.3 推荐引擎组 | 第41-42页 |
| 3.2.4 结果处理模块 | 第42-43页 |
| 3.3 基于Spark的设计 | 第43-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 基于Spark的推荐系统的实现 | 第47-72页 |
| 4.1 数据集描述 | 第47页 |
| 4.2 高性能数据仓库的实现 | 第47-51页 |
| 4.2.1 初始库的实现 | 第48-50页 |
| 4.2.2 数据仓库的查询操作 | 第50-51页 |
| 4.3 推荐引擎组实现 | 第51-69页 |
| 4.3.1 基于人口统计学的推荐 | 第51-57页 |
| 4.3.1.1 离线计算 | 第51-53页 |
| 4.3.1.2 在线计算 | 第53-57页 |
| 4.3.2 基于内容的推荐 | 第57-62页 |
| 4.3.2.1 离线计算 | 第58页 |
| 4.3.2.2 在线计算 | 第58-62页 |
| 4.3.3 基于SVD的推荐 | 第62-69页 |
| 4.3.3.1 离线计算 | 第64-67页 |
| 4.3.3.2 在线计算 | 第67-69页 |
| 4.4 推荐结果处理模块 | 第69-71页 |
| 4.5 本章小结 | 第71-72页 |
| 第5章 实验与测评 | 第72-79页 |
| 5.1 实验环境 | 第72页 |
| 5.2 实验设计 | 第72-74页 |
| 5.3 测评结果 | 第74-78页 |
| 5.4 本章小结 | 第78-79页 |
| 第6章 总结与展望 | 第79-81页 |
| 参考文献 | 第81-86页 |
| 攻读硕士学位期间主要的研究成果 | 第86-87页 |
| 致谢 | 第87页 |