大数据平台下推荐系统的研究与实现
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 推荐系统研究现状 | 第10-11页 |
| 1.2.2 基于Spark平台推荐系统研究现状 | 第11-12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 第2章 相关技术 | 第14-28页 |
| 2.1 大数据计算平台 | 第14-19页 |
| 2.1.1 Spark简介 | 第14-15页 |
| 2.1.2 Spark架构 | 第15-16页 |
| 2.1.3 SparkCore | 第16-17页 |
| 2.1.4 Spark组件 | 第17-19页 |
| 2.2 推荐系统 | 第19-24页 |
| 2.2.1 推荐系统概述 | 第19-20页 |
| 2.2.2 推荐算法分类 | 第20-23页 |
| 2.2.3 推荐系统评测 | 第23-24页 |
| 2.3 其他技术 | 第24-27页 |
| 2.3.1 分布式文件系统HDFS | 第24-25页 |
| 2.3.2 分布式流消息系统Kafka | 第25-26页 |
| 2.3.3 列式数据库HBase | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于Spark的协同过滤推荐算法研究 | 第28-40页 |
| 3.1 基于最近邻用户的推荐算法优化 | 第28-32页 |
| 3.1.1 基于用户的最近邻推荐方法 | 第28-30页 |
| 3.1.2 存在的问题与优化分析 | 第30-31页 |
| 3.1.3 基于RecTree的最近邻推荐方法 | 第31-32页 |
| 3.2 基于ALS模型的推荐算法优化 | 第32-37页 |
| 3.2.1 基于ALS模型的推荐方法 | 第33-34页 |
| 3.2.2 ALS推荐算法改进设计 | 第34-35页 |
| 3.2.3 KNN-ALS推荐算法的实现 | 第35-37页 |
| 3.3 推荐算法并行化分析 | 第37-39页 |
| 3.3.1 基于最近邻用户推荐算法并行化分析 | 第37-38页 |
| 3.3.2 ALS推荐算法并行化分析 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于Spark的推荐系统研究与实现 | 第40-53页 |
| 4.1 需求分析 | 第40-41页 |
| 4.2 系统的总体架构 | 第41-43页 |
| 4.2.1 离线推荐架构 | 第41-42页 |
| 4.2.2 在线推荐架构 | 第42-43页 |
| 4.3 离线推荐的设计与实现 | 第43-47页 |
| 4.3.1 数据仓库 | 第43-45页 |
| 4.3.2 推荐引擎模块 | 第45-47页 |
| 4.3.3 结果输出模块 | 第47页 |
| 4.4 在线推荐的设计与实现 | 第47-52页 |
| 4.4.1 Kafka评分模拟模块 | 第47-49页 |
| 4.4.2 实时流计算模块 | 第49-51页 |
| 4.4.3 流数据输出模块 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 实验与测试 | 第53-63页 |
| 5.1 实验环境 | 第53-54页 |
| 5.1.1 硬件环境 | 第53页 |
| 5.1.2 软件环境 | 第53-54页 |
| 5.2 实验数据 | 第54-55页 |
| 5.3 实验测试 | 第55-62页 |
| 5.3.1 数据仓库测试 | 第56-57页 |
| 5.3.2 离线算法测试 | 第57-61页 |
| 5.3.3 在线算法测试 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-66页 |
| 6.1 全文总结 | 第63-64页 |
| 6.2 未来展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第71页 |
