| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 研究现状和存在问题 | 第11-12页 |
| 1.3 课题研究的内容 | 第12-13页 |
| 1.4 论文结构 | 第13-14页 |
| 第二章 相关技术研究 | 第14-21页 |
| 2.1 推荐系统 | 第14页 |
| 2.2 推荐系统的分类 | 第14-19页 |
| 2.2.1 基于内容的推荐 | 第14-15页 |
| 2.2.2 基于内容和协同过滤混合型推荐 | 第15页 |
| 2.2.3 基于数据挖掘的推荐 | 第15-17页 |
| 2.2.4 基于协同过滤的推荐 | 第17-19页 |
| 2.3 MapReduce | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 基于协同过滤推荐的数据稀疏性问题研究 | 第21-30页 |
| 3.1 协同过滤推荐中的数据稀疏性 | 第21-22页 |
| 3.2 问题提出 | 第22-23页 |
| 3.3 基于专家用户和项目信任度的数据填充方法 | 第23-25页 |
| 3.3.1 专家用户和项目信任度 | 第23-24页 |
| 3.3.2 算法描述 | 第24-25页 |
| 3.4 实验数据集、实验环境及评估方法 | 第25-26页 |
| 3.4.1 实验数据集、实验环境 | 第25-26页 |
| 3.4.2 评价指标 | 第26页 |
| 3.5 实验结果及分析 | 第26-29页 |
| 3.6 本章小结 | 第29-30页 |
| 第四章 基于聚类和非对称权重混合相似度的协同过滤推荐算法 | 第30-42页 |
| 4.1 协同过滤推荐算法的推荐精度问题 | 第30-31页 |
| 4.2 问题提出 | 第31页 |
| 4.3 基于聚类和非对称权重混合相似度的协同过滤推荐算法（CFCA） | 第31-34页 |
| 4.3.1 基于评分稳定项目的K-Means聚类 | 第33-34页 |
| 4.3.2 基于非对称权重的混合相似度计算（HSAW） | 第34页 |
| 4.4 实验数据集、实验环境及评估方法 | 第34-35页 |
| 4.5 实验结果及分析 | 第35-41页 |
| 4.5.1 基于非对称权重混合相似度实验与分析 | 第35-38页 |
| 4.5.2 CFCA算法实验与分析 | 第38-41页 |
| 4.6 本章小结 | 第41-42页 |
| 第五章 协同过滤推荐算法的MapReduce实现 | 第42-54页 |
| 5.1 CFCA算法的MapReduce实现思想及框架 | 第42-50页 |
| 5.1.1 CFCA的MapReduce实现思想 | 第42-49页 |
| 5.1.2 CFCA的MapReduce实现 | 第49-50页 |
| 5.2 实验采用的环境、数据集以及评估方法 | 第50-51页 |
| 5.3 实验结果以及分析 | 第51-53页 |
| 5.4 本章总结 | 第53-54页 |
| 第六章 结论 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 在校研究成果 | 第59页 |
