| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 课题研究背景和意义 | 第12-14页 |
| 1.2 国内外研究及发展概况 | 第14-17页 |
| 1.2.1 商业智能发展概况 | 第14页 |
| 1.2.2 协同过滤推荐算法发展概况 | 第14-15页 |
| 1.2.3 灰色关联分析发展概况 | 第15-16页 |
| 1.2.4 Hadoop分布式计算平台发展概况 | 第16-17页 |
| 1.3 本文主要工作 | 第17页 |
| 1.4 论文结构安排 | 第17-18页 |
| 1.5 本章小结 | 第18-20页 |
| 第2章 协同过滤推荐算法与灰色关联分析 | 第20-30页 |
| 2.1 推荐系统 | 第20页 |
| 2.2 协同过滤推荐算法理论与方法 | 第20-26页 |
| 2.2.1 基于用户的协同过滤推荐算法 | 第22-23页 |
| 2.2.2 基于项目的协同过滤推荐算法 | 第23-25页 |
| 2.2.3 基于模型的协同过滤推荐算法 | 第25-26页 |
| 2.3 灰色关联理论与方法 | 第26-29页 |
| 2.3.1 灰色关联分析基本概念 | 第26-27页 |
| 2.3.2 灰色关联四公理 | 第27页 |
| 2.3.3 常见灰色关联度计算模型 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 Hadoop分布式平台研究 | 第30-40页 |
| 3.1 引言 | 第30-31页 |
| 3.2 HDFS分布式文件系统 | 第31-34页 |
| 3.2.1 Name Node元数据节点 | 第31页 |
| 3.2.2 DataNode数据节点 | 第31-32页 |
| 3.2.3 HDFS客户端 | 第32-33页 |
| 3.2.4 文件I/O操作及备份管理 | 第33-34页 |
| 3.3 MapReduce编程模型 | 第34-36页 |
| 3.3.1 MapReduce执行过程 | 第34-35页 |
| 3.3.2 Hadoop中MapReduce执行架构 | 第35-36页 |
| 3.4 HBase分布式数据库 | 第36-39页 |
| 3.4.1 HBase结构体系 | 第37-39页 |
| 3.4.2 HBase的数据模型 | 第39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于灰色关联分析的分布式协同过滤推荐算法 | 第40-48页 |
| 4.1 灰色关联协同过滤推荐算法的实现 | 第40-41页 |
| 4.2 分布式灰色关联协同过滤算法机制的实现 | 第41-46页 |
| 4.2.1 数据源处理 | 第41-42页 |
| 4.2.2 算法流程 | 第42-46页 |
| 4.3 本章小结 | 第46-48页 |
| 第5章 实验和结果分析 | 第48-62页 |
| 5.1 实验环境搭建 | 第48-56页 |
| 5.1.1 Hadoop环境搭建 | 第48-54页 |
| 5.1.2 Zookeeper环境搭建 | 第54页 |
| 5.1.3 HBase环境搭建 | 第54-56页 |
| 5.2 算法实验 | 第56-59页 |
| 5.2.1 实验数据集 | 第56页 |
| 5.2.2 算法实现过程 | 第56-59页 |
| 5.3 实验结果与讨论 | 第59-61页 |
| 5.3.1 灰色关联度推荐算法实验对比 | 第59-60页 |
| 5.3.2 数据可扩展性实验 | 第60-61页 |
| 5.3.3 实验总结 | 第61页 |
| 5.4 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表论文 | 第68-70页 |
| 致谢 | 第70-71页 |
| 中文详细摘要 | 第71-72页 |
| 英文详细摘要 | 第72-73页 |