| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 选题背景 | 第10-12页 |
| 1.2 研究意义 | 第12页 |
| 1.2.1 大数据中挖掘信息 | 第12页 |
| 1.2.2 推荐系统在大数据方面的瓶颈 | 第12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.4 论文内容安排 | 第14-16页 |
| 第2章 分布式协同过滤系统相关算法和技术研究 | 第16-26页 |
| 2.1 推荐算法的基本原理和分类 | 第16-21页 |
| 2.1.1 基于内容的推荐 | 第16页 |
| 2.1.2 协同过滤推荐 | 第16-17页 |
| 2.1.3 其他推荐算法 | 第17-18页 |
| 2.1.4 组合推荐 | 第18页 |
| 2.1.5 主要推荐方法的对比 | 第18-19页 |
| 2.1.6 推荐算法的热点问题 | 第19-21页 |
| 2.1.7 协同过滤推荐的应用研究 | 第21页 |
| 2.2 逻辑回归算法研究与应用 | 第21-22页 |
| 2.2.1 逻辑回归算法概要介绍 | 第21页 |
| 2.2.2 逻辑回归的适用性 | 第21-22页 |
| 2.3 Hadoop分布式计算系统的研究与应用 | 第22-24页 |
| 2.3.1 HDFS分布式文件系统 | 第22-23页 |
| 2.3.2 MapReduce分布式计算框架 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第3章 基于时间因子的分布式协同过滤推荐系统的研究 | 第26-48页 |
| 3.1 传统的基于项目的协同过滤算法 | 第26-28页 |
| 3.1.1 计算项目的邻居 | 第26-27页 |
| 3.1.2 生成推荐列表 | 第27-28页 |
| 3.2 基于项目的分布式协同过滤推荐算法 | 第28-30页 |
| 3.3 基于时间因子的分布式协同过滤推荐系统的相似度计算 | 第30-42页 |
| 3.3.1 分布式的余弦相似度 | 第30-33页 |
| 3.3.2 分布式的局部敏感哈希相似度 | 第33-42页 |
| 3.4 评分的时间衰减 | 第42-45页 |
| 3.4.1 时间因子衰减函数 | 第43-44页 |
| 3.4.2 用户兴趣的时间衰减因子的选择 | 第44-45页 |
| 3.5 生成对用户的推荐列表 | 第45-46页 |
| 3.6 个性化推荐的总体流程 | 第46-47页 |
| 3.7 本章小结 | 第47-48页 |
| 第4章 基于时间因子的分布式协同过滤推荐系统的实现 | 第48-60页 |
| 4.1 推荐系统的业务需求 | 第48-49页 |
| 4.2 推荐系统的集群环境 | 第49页 |
| 4.3 用户的登录预测 | 第49-52页 |
| 4.3.1 登录预测的特征值选取 | 第49页 |
| 4.3.2 用户登录概率的预测函数 | 第49-50页 |
| 4.3.3 用户历史登录数据集 | 第50-52页 |
| 4.3.4 模型的实现与性能效果 | 第52页 |
| 4.4 基于时间因子的分布式协同过滤推荐系统的实现 | 第52-56页 |
| 4.4.1 数据集 | 第52-53页 |
| 4.4.2 电影之间的相似度计算 | 第53-55页 |
| 4.4.3 电影的带时间权重的评分 | 第55-56页 |
| 4.4.4 对用户做出推荐 | 第56页 |
| 4.5 系统的推荐性能评估 | 第56-59页 |
| 4.6 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 论文工作总结 | 第60页 |
| 论文存在的不足及未来的展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读学位期间发表论文与研究成果清单 | 第66-67页 |
| 致谢 | 第67页 |
