| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 本文专用术语注释表 | 第11-12页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 引言 | 第12页 |
| 1.2研究背景与选题意义 | 第12-14页 |
| 1.2.1 信息过载时代 | 第12页 |
| 1.2.2 长尾理论 | 第12-13页 |
| 1.2.3 推荐系统 | 第13-14页 |
| 1.3 推荐系统研究现状 | 第14-15页 |
| 1.4 本文设计目标与工作内容 | 第15页 |
| 1.5 论文组织结构 | 第15-18页 |
| 第二章 推荐系统概述及其相关技术 | 第18-28页 |
| 2.1 引言 | 第18页 |
| 2.2 推荐算法概述 | 第18-23页 |
| 2.2.1 协同过滤推荐算法 | 第18-21页 |
| 2.2.2 基于内容的推荐系统 | 第21页 |
| 2.2.3 混合推荐系统 | 第21-22页 |
| 2.2.4 推荐系统评价标准 | 第22-23页 |
| 2.3 Hadoop分布式计算平台 | 第23-27页 |
| 2.3.1 HDFS分布式文件系统 | 第24-26页 |
| 2.3.2 Mapreduce分布式计算框架 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 挖掘用户行为特征因子的算法设计 | 第28-48页 |
| 3.1 引言 | 第28页 |
| 3.2 影响用户行为的特征分析 | 第28-34页 |
| 3.2.1 用户行为的影响因子 | 第28-31页 |
| 3.2.2 影响因子合成方式 | 第31-34页 |
| 3.3 典型推荐算法特性分析 | 第34-40页 |
| 3.3.1 基于物品的协同过滤算法 | 第34-36页 |
| 3.3.2 基于用户的协同过滤算法 | 第36-38页 |
| 3.3.3 基于聚类的推荐算法 | 第38-40页 |
| 3.3.4 算法比较分析小结 | 第40页 |
| 3.4 针对影响用户行为特征的推荐算法设计 | 第40-46页 |
| 3.4.1 针对个性因子的推荐算法 | 第40-42页 |
| 3.4.2 针对共性因子的推荐算法 | 第42-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 个性化混合推荐模型设计 | 第48-58页 |
| 4.1 引言 | 第48页 |
| 4.2 自适应混合模型 | 第48-52页 |
| 4.2.1 混合推荐系统基本框架 | 第48-49页 |
| 4.2.2 推荐算法选取 | 第49-50页 |
| 4.2.3 学习模块 | 第50-52页 |
| 4.2.4 反馈模块 | 第52页 |
| 4.3 实验设计与分析 | 第52-57页 |
| 4.3.1 SP-ItemCF试验分析 | 第52-53页 |
| 4.3.2 COM-UserCF实验分析 | 第53-55页 |
| 4.3.3 混合参数训练 | 第55-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 基于Hadoop平台的混合推荐系统设计与实现 | 第58-90页 |
| 5.1 引言 | 第58页 |
| 5.2 针对个性因子推荐算法的MapReduce化 | 第58-68页 |
| 5.2.1 算法实现分析 | 第58-61页 |
| 5.2.2 MapReduce实现过程 | 第61-68页 |
| 5.3 针对共性因子推荐算法MapReduce化 | 第68-75页 |
| 5.3.1 算法实现分析 | 第68-71页 |
| 5.3.2 MapReduce实现过程 | 第71-75页 |
| 5.4 分布式推荐系统设计与实现 | 第75-87页 |
| 5.4.1 系统架构设计 | 第75-78页 |
| 5.4.2 功能模块设计与实现 | 第78-87页 |
| 5.5 系统功能展示 | 第87-89页 |
| 5.6 本章小结 | 第89-90页 |
| 第六章 总结与展望 | 第90-92页 |
| 6.1 总结 | 第90-91页 |
| 6.2 展望 | 第91-92页 |
| 致谢 | 第92-94页 |
| 参考文献 | 第94-98页 |
| 附录A 攻读硕士学位期间的研究成果 | 第98页 |
| A.1 学术论文 | 第98页 |
| A.2 发明专利 | 第98页 |