| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第13-18页 |
| 1.1 课题研究背景及意义 | 第13-14页 |
| 1.2 研究现状 | 第14-16页 |
| 1.2.1 推荐系统研究现状 | 第14-15页 |
| 1.2.2 音乐推荐系统研究现状 | 第15-16页 |
| 1.3 本文主要研究内容与组织结构 | 第16-18页 |
| 第2章 推荐系统相关技术 | 第18-24页 |
| 2.1 Apache Mahout介绍 | 第18-20页 |
| 2.1.1 推荐引擎 | 第18-19页 |
| 2.1.2 聚类 | 第19-20页 |
| 2.1.3 分类 | 第20页 |
| 2.2 Apache Hadoop介绍 | 第20-23页 |
| 2.2.1 分布式文件系统HDFS | 第21-22页 |
| 2.2.2 资源管理框架YARN | 第22页 |
| 2.2.3 MapReduce编程模型 | 第22-23页 |
| 2.3 Maven介绍 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 协同过滤推荐算法模型 | 第24-35页 |
| 3.1 CF的基本思想和算法实现 | 第24-25页 |
| 3.2 相似度度量 | 第25-28页 |
| 3.2.1 对数似然比相似度 | 第25-26页 |
| 3.2.2 欧式距离相似度 | 第26-27页 |
| 3.2.3 皮尔逊系数相似度 | 第27页 |
| 3.2.4 斯皮尔曼系数相似度 | 第27-28页 |
| 3.2.5 谷本系数相似度 | 第28页 |
| 3.3 评测指标 | 第28-29页 |
| 3.4 实验与分析 | 第29-34页 |
| 3.4.1 实验设计 | 第29页 |
| 3.4.2 数据集选择 | 第29-30页 |
| 3.4.3 实验内容 | 第30页 |
| 3.4.4 实验结果与分析 | 第30-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 基于CF的混合推荐模型 | 第35-46页 |
| 4.1 模型思想和基本流程 | 第35-36页 |
| 4.2 模型分析与实现 | 第36-42页 |
| 4.2.1 交叉推荐模型 | 第36-37页 |
| 4.2.2 叠加最高推荐模型 | 第37-38页 |
| 4.2.3 比较最高推荐模型 | 第38-39页 |
| 4.2.4 加权平均推荐模型 | 第39-41页 |
| 4.2.5 改进的加权平均推荐模型 | 第41-42页 |
| 4.3 实验结果与分析 | 第42-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 基于共现矩阵的分布式推荐模型 | 第46-68页 |
| 5.1 分布式推荐算法思想 | 第46页 |
| 5.2 分布式算法实现 | 第46-50页 |
| 5.2.1 构建共现矩阵 | 第46-47页 |
| 5.2.2 计算用户向量 | 第47页 |
| 5.2.3 计算推荐物品的评分值 | 第47-50页 |
| 5.2.4 去重并完成最终推荐 | 第50页 |
| 5.3 基于MapReduce实现分布式算法 | 第50-57页 |
| 5.3.1 MapReduce模式简介 | 第50页 |
| 5.3.2 分析基本数据集，构建共现矩阵 | 第50-52页 |
| 5.3.3 计算推荐物品的评分值 | 第52-55页 |
| 5.3.4 去重并完成推荐 | 第55-57页 |
| 5.4 Hadoop上运行MapReduce | 第57-59页 |
| 5.4.1 环境部署与集群搭建 | 第57页 |
| 5.4.2 在Hadoop上运行MapReduce作业 | 第57-59页 |
| 5.5 实验结果与分析 | 第59-66页 |
| 5.5.1 COOM和CF实验对比 | 第60-63页 |
| 5.5.2 COOM和HRM实验对比 | 第63-65页 |
| 5.5.3 运行Time对比 | 第65-66页 |
| 5.6 本章小结 | 第66-68页 |
| 总结与展望 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75页 |