| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究与应用现状 | 第9-12页 |
| 1.2.1 推荐系统研究与应用现状 | 第9-11页 |
| 1.2.2 Spark平台应用现状 | 第11-12页 |
| 1.3 论文主要研究内容 | 第12页 |
| 1.4 论文的组织结构 | 第12-14页 |
| 第二章 相关技术概述与分析 | 第14-22页 |
| 2.1 聚类及其相关技术 | 第14-16页 |
| 2.1.1 聚类分析 | 第14页 |
| 2.1.2 K-means算法分析 | 第14-16页 |
| 2.2 个性化推荐系统及其相关技术 | 第16-18页 |
| 2.2.1 个性化推荐系统架构 | 第16-17页 |
| 2.2.2 协同过滤推荐算法分析 | 第17-18页 |
| 2.3 Spark技术概述与分析 | 第18-21页 |
| 2.3.1 Spark简介 | 第18-19页 |
| 2.3.2 Spark组织架构 | 第19-20页 |
| 2.3.3 Spark编程模型 | 第20页 |
| 2.3.4 Spark工作原理 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于最小生成树的K-means算法及其并行化研究 | 第22-34页 |
| 3.1 MST-K算法设计 | 第22-24页 |
| 3.2 MST-K算法实现 | 第24-28页 |
| 3.2.1 算法实现伪代码 | 第24-25页 |
| 3.2.2 MST-K算法测试与结果分析 | 第25-28页 |
| 3.3 MST-K算法在Spark上的并行化实现 | 第28-33页 |
| 3.3.1 初始聚类中心确定阶段 | 第28-30页 |
| 3.3.2 K-means有关步骤的并行化阶段 | 第30页 |
| 3.3.3 MST-K算法基于Spark的并行化实现的整体过程 | 第30-31页 |
| 3.3.4 实验与结果分析 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 融合MST-K的推荐算法及其并行化研究 | 第34-46页 |
| 4.1 基于用户的协同过滤算法UserCF分析 | 第34-35页 |
| 4.2 基于MST-K的UserCF算法设计 | 第35-42页 |
| 4.2.1 融合用户特征属性的相似性计算方法 | 第36-38页 |
| 4.2.2 M-UserCF算法描述 | 第38-40页 |
| 4.2.3 实验与结果分析 | 第40-42页 |
| 4.3 M-UserCF算法的并行化 | 第42-45页 |
| 4.3.1 M-UserCF并行化方案设计 | 第42-44页 |
| 4.3.2 实验与结果分析 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 基于Spark的M-UserCF算法应用 | 第46-61页 |
| 5.1 旅游线路推荐原型系统需求分析 | 第46-47页 |
| 5.2 旅游线路推荐原型系统设计 | 第47-51页 |
| 5.2.1 系统架构设计 | 第47-48页 |
| 5.2.2 系统功能模块设计 | 第48-49页 |
| 5.2.3 数据库设计 | 第49-51页 |
| 5.2.4 环境选择 | 第51页 |
| 5.3 旅游线路推荐原型系统实现 | 第51-56页 |
| 5.3.1 配置环境 | 第51-53页 |
| 5.3.2 搭建技术架构和确定开发流程 | 第53-54页 |
| 5.3.3 系统实现效果展示 | 第54-56页 |
| 5.4 旅游线路推荐原型系统测试 | 第56-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-65页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第65-66页 |
| 致谢 | 第66页 |