| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文工作及章节安排 | 第12-14页 |
| 1.4 本章小结 | 第14-15页 |
| 第2章 相关理论与技术基础 | 第15-30页 |
| 2.1 经典的协同过滤推荐算法相关理论 | 第15-23页 |
| 2.1.1 协同过滤推荐算法简介 | 第15-19页 |
| 2.1.2 推荐系统的评测指标 | 第19-21页 |
| 2.1.3 协同过滤推荐技术面临的挑战 | 第21-23页 |
| 2.2 基于GPU的计算 | 第23-25页 |
| 2.2.1 GPU | 第23-24页 |
| 2.2.2 CPU/GPU协同并行计算 | 第24页 |
| 2.2.3 CUDA | 第24-25页 |
| 2.3 JACKET引擎 | 第25-26页 |
| 2.4 MATLAB分布式计算环境 | 第26-29页 |
| 2.4.1 并行计算工具箱 | 第26页 |
| 2.4.2 MATLAB分布式计算服务器 | 第26-27页 |
| 2.4.3 MATLAB分布式计算原理 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于CPU实现协同过滤推荐的两类经典算法 | 第30-35页 |
| 3.1 算法分析与实现 | 第30-32页 |
| 3.2 实验与结果分析 | 第32-34页 |
| 3.2.1 实验环境 | 第32页 |
| 3.2.2 实验数据集 | 第32-33页 |
| 3.2.3 实验结果分析 | 第33-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第4章 基于GPU实现协同过滤推荐的两类经典算法 | 第35-41页 |
| 4.1 算法实现 | 第35-37页 |
| 4.2 实验与结果分析 | 第37-39页 |
| 4.2.1 实验环境 | 第37页 |
| 4.2.2 实验结果分析 | 第37-39页 |
| 4.3 基于GPU加速数据挖掘算法的可行性分析 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第5章 基于分布式CPU实现协同过滤推荐的两类经典算法 | 第41-53页 |
| 5.1 算法实现 | 第41-43页 |
| 5.1.1 算法流程设计 | 第41-43页 |
| 5.1.2 并行计算程序设计 | 第43页 |
| 5.2 MATLAB分布式计算平台搭建 | 第43-47页 |
| 5.3 实验与结果分析 | 第47-51页 |
| 5.3.1 实验环境 | 第47页 |
| 5.3.2 实验结果分析 | 第47-51页 |
| 5.4 本章小结 | 第51-53页 |
| 第6章 总结与展望 | 第53-55页 |
| 6.1 本文工作总结 | 第53页 |
| 6.2 本文的主要特色 | 第53-54页 |
| 6.3 未来工作展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第60页 |