摘要 | 第2-3页 |
Abstract | 第3-4页 |
第一章 绪论 | 第7-12页 |
1.1 课题研究背景和选题意义 | 第7-8页 |
1.2 国内外研究现状 | 第8-10页 |
1.2.1 推荐技术的发展 | 第8-9页 |
1.2.2 基于大数据环境下的推荐 | 第9-10页 |
1.3 主要研究工作 | 第10-11页 |
1.4 论文组织结构 | 第11-12页 |
第二章 搜索应用下推荐技术概述 | 第12-30页 |
2.1 推荐引擎概述 | 第12-22页 |
2.1.1 推荐引擎定义 | 第12页 |
2.1.2 推荐引擎工作原理 | 第12-15页 |
2.1.3 推荐引擎的分类 | 第15-16页 |
2.1.4 基于记忆的协同过滤算法 | 第16-22页 |
2.1.5 基于模型的协同过滤算法 | 第22页 |
2.2 分布式计算框架 | 第22-27页 |
2.2.1 Hadoop概述 | 第22-23页 |
2.2.2 HDFS基础框架 | 第23-24页 |
2.2.3 MapReduce计算架构 | 第24-26页 |
2.2.4 Mahout框架 | 第26-27页 |
2.3 ElasticSearch搜索框架 | 第27-28页 |
2.4 本章小结 | 第28-30页 |
第三章 面向搜索应用推荐引擎的需求分析与设计 | 第30-42页 |
3.1 系统目标 | 第30页 |
3.2 需求分析 | 第30-32页 |
3.2.1 功能性需求分析 | 第30-31页 |
3.2.2 非功能需求分析 | 第31-32页 |
3.3 概要设计 | 第32-33页 |
3.3.1 系统工作流程 | 第32-33页 |
3.4 详细设计 | 第33-41页 |
3.4.1 Mahout框架的应用 | 第34-35页 |
3.4.2 推荐引擎结构设计 | 第35页 |
3.4.3 推荐引擎工作流程设计 | 第35-37页 |
3.4.4 Mahout中基于物品的分布式推荐方法 | 第37-39页 |
3.4.5 搜索推荐的总体设计 | 第39-41页 |
3.5 本章小结 | 第41-42页 |
第四章 面向搜索应用的分布式协同过滤推荐系统 | 第42-66页 |
4.1 开发环境准备 | 第42-44页 |
4.1.1 数据来源 | 第42-43页 |
4.1.2 数据预处理 | 第43-44页 |
4.1.3 工作流程描述 | 第44页 |
4.2 面向搜索应用的分布式协同过滤系统的实现 | 第44-55页 |
4.2.1 协同过滤推荐算法的选型:三种典型算法的研究分析 | 第44-47页 |
4.2.2 分布式环境下的基于项目的协同过滤推荐算法研发 | 第47-53页 |
4.2.3 基于电商平台的推荐模块封装 | 第53页 |
4.2.4 结合ElasticSearch的简化推荐应用 | 第53-55页 |
4.3 实验评估 | 第55-64页 |
4.3.1 实验环境 | 第55-57页 |
4.3.2 算法评估指标 | 第57-58页 |
4.3.3 实验评估 | 第58-61页 |
4.3.4 实验结果 | 第61-64页 |
4.4 本章小结 | 第64-66页 |
第五章 总结与展望 | 第66-68页 |
5.1 研究总结 | 第66页 |
5.2 进一步展望 | 第66-68页 |
参考文献 | 第68-70页 |
作者攻读硕士期间的研究成果 | 第70-71页 |
致谢 | 第71-72页 |