| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.2.1 国内发展现状 | 第10-11页 |
| 1.2.2 国外发展现状 | 第11页 |
| 1.3 主要研究内容 | 第11-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 2 相关技术及问题 | 第14-24页 |
| 2.1 推荐算法的冷启动问题 | 第14页 |
| 2.2 实时性问题 | 第14-15页 |
| 2.3 K-means聚类算法 | 第15页 |
| 2.4 Kafka原理 | 第15-17页 |
| 2.5 Spark Streaming原理 | 第17-20页 |
| 2.6 实时推荐系统分析与计算引擎的选择 | 第20-23页 |
| 2.6.1 实时推荐功能分析 | 第20页 |
| 2.6.2 实时推荐性能分析 | 第20-21页 |
| 2.6.3 计算引擎选择分析 | 第21-23页 |
| 2.7 本章小结 | 第23-24页 |
| 3 p-相似度研究 | 第24-36页 |
| 3.1 现有协同过滤算法稀疏性问题测试 | 第24-25页 |
| 3.2 稀疏性对推荐系统影响分析 | 第25-27页 |
| 3.2.1 相似度的缺失 | 第25页 |
| 3.2.2 不准确的最近邻居 | 第25-26页 |
| 3.2.3 推荐精度的缺失 | 第26-27页 |
| 3.3 p-相似度定义 | 第27-30页 |
| 3.3.1 p因子的定义 | 第27-29页 |
| 3.3.2 p-相似度的作用 | 第29-30页 |
| 3.4 实验与分析 | 第30-35页 |
| 3.5 本章小结 | 第35-36页 |
| 4 增量CF-K-means混合推荐算法研究 | 第36-49页 |
| 4.1 推荐冷启动问题分析 | 第36-37页 |
| 4.2 增量CF-K-means混合推荐算法定义 | 第37-40页 |
| 4.2.1 特征矩阵求解 | 第37-38页 |
| 4.2.2 聚类与均衡 | 第38-39页 |
| 4.2.3 p-相似度引入 | 第39页 |
| 4.2.4 算法增量化 | 第39-40页 |
| 4.3 增量CF-K-means混合推荐算法实现 | 第40-44页 |
| 4.4 混合推荐算法实验及分析 | 第44-47页 |
| 4.4.1 实验环境 | 第44页 |
| 4.4.2 实验数据集 | 第44-45页 |
| 4.4.3 CF-K-means混合推荐算法实验分析 | 第45-46页 |
| 4.4.5 增量CF-K-means混合推荐算法实验及分析 | 第46-47页 |
| 4.5 本章小结 | 第47-49页 |
| 5 实时推荐系统实现 | 第49-55页 |
| 5.1 实时推荐应用总体架构 | 第49-50页 |
| 5.2 实时推荐应用的实现 | 第50-53页 |
| 5.2.1 数据模拟与加载数据模块的实现 | 第50页 |
| 5.2.2 流计算模块的实现 | 第50-51页 |
| 5.2.3 模型训练与推荐模型实现 | 第51-53页 |
| 5.2.4 分布式储存模块实现 | 第53页 |
| 5.3 实时推荐应用实验及分析 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 6 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
| 附录1 攻读硕士学位期间参与的项目和发表的论文 | 第61-62页 |
| 附录2 部分核心代码 | 第62-64页 |