| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 引言 | 第10-14页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 国内外高校图书推荐系统研究状况 | 第11页 |
| 1.2.2 Hadoop平台下的图书推荐 | 第11-12页 |
| 1.2.3 主流推荐算法的研究状况 | 第12页 |
| 1.3 本文的研究内容 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-14页 |
| 第二章 高校图书推荐系统的相关理论 | 第14-27页 |
| 2.1 推荐系统的发展历程 | 第14页 |
| 2.2 图书推荐的推荐流程 | 第14-15页 |
| 2.3 主流推荐算法的介绍 | 第15-20页 |
| 2.3.1 基于用户的协同过滤推荐算法 | 第15-18页 |
| 2.3.2 基于项目的协同过滤推荐算法 | 第18-19页 |
| 2.3.3 混合推荐算法 | 第19-20页 |
| 2.4 推荐算法的评价指标 | 第20-22页 |
| 2.4.1 平均误差 | 第20-21页 |
| 2.4.2 准确率与召回率 | 第21页 |
| 2.4.3 综合评价指标 | 第21-22页 |
| 2.4.4 覆盖率 | 第22页 |
| 2.5 基于Mahout的协同过滤推荐 | 第22-26页 |
| 2.5.1 相似性计算方法 | 第22-24页 |
| 2.5.2 Mahout中推荐算法的比较 | 第24-25页 |
| 2.5.3 协同过滤推荐算法存在的一些问题 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 Hadoop集群搭建及相关技术介绍 | 第27-41页 |
| 3.1 分布式架构Hadoop | 第27-30页 |
| 3.1.1 Hadoop分布式文件系统-HDFS | 第28页 |
| 3.1.2 并行处理框架-MapReduce | 第28-30页 |
| 3.2 机器学习框架Apache Mahout | 第30-34页 |
| 3.2.1 Taste推荐引擎工作原理 | 第30-33页 |
| 3.2.2 Mahout中实现的经典算法 | 第33-34页 |
| 3.3 Hadoop分布式环境搭建 | 第34-39页 |
| 3.4 Web端推荐引擎框架SSH框架 | 第39-40页 |
| 3.5 Hadoop框架的优势与发展 | 第40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 基于用户聚类的协同过滤 | 第41-51页 |
| 4.1 聚类分析技术 | 第41-46页 |
| 4.1.1 K-Means算法的数据预处理 | 第43页 |
| 4.1.2 聚类效果的有效性评价指标 | 第43-44页 |
| 4.1.3 K-Means算法的操作步骤 | 第44-46页 |
| 4.2 基于用户聚类的协同过滤推荐算法 | 第46页 |
| 4.3 实验内容及结果 | 第46-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 基于Hadoop平台的个性化图书推荐系统的实现 | 第51-63页 |
| 5.1 需求分析 | 第51-53页 |
| 5.1.1 高校图书借阅流程分析 | 第52-53页 |
| 5.2 系统设计 | 第53-57页 |
| 5.2.1 系统的设计目标 | 第53-54页 |
| 5.2.2 系统的架构设计 | 第54-55页 |
| 5.2.3 系统总体功能设计 | 第55-56页 |
| 5.2.4 系统数据库设计 | 第56-57页 |
| 5.3 系统实现 | 第57-61页 |
| 5.3.1 系统的开发环境及平台 | 第57-58页 |
| 5.3.2 系统推荐功能的实现 | 第58-61页 |
| 5.4 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 攻读硕士学位期间研究成果 | 第68-69页 |
| 致谢 | 第69页 |