云平台推荐算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-15页 |
| ·研究背景和意义 | 第9-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·推荐算法的研究 | 第11-12页 |
| ·大数据环境下的推荐系统 | 第12-13页 |
| ·研究的主要内容 | 第13页 |
| ·论文的组织结构 | 第13-15页 |
| 2 经典推荐算法及仿真对比 | 第15-31页 |
| ·引言 | 第15页 |
| ·数据表示 | 第15-17页 |
| ·推荐算法 | 第17-21页 |
| ·基于内容的推荐 | 第17-18页 |
| ·协同过滤 | 第18-21页 |
| ·评估方法 | 第21页 |
| ·实验 | 第21-29页 |
| ·数据集与推荐结果评估 | 第21-22页 |
| ·实验环境 | 第22-24页 |
| ·算法 | 第24-28页 |
| ·实验总结 | 第28-29页 |
| ·本章小结 | 第29-31页 |
| 3 分布式系统与 MapReduce | 第31-39页 |
| ·大数据 | 第31页 |
| ·Hadoop | 第31-34页 |
| ·物理架构 | 第32页 |
| ·HDFS 及有关项目 | 第32-34页 |
| ·MapReduce 编程框架 | 第34-37页 |
| ·本章小结 | 第37-39页 |
| 4 基于特征学习的协同过滤 | 第39-51页 |
| ·线性回归 | 第39-40页 |
| ·引言 | 第39页 |
| ·回归模型与任务 | 第39-40页 |
| ·基于内容特征的推荐算法 | 第40-43页 |
| ·评分预测的线性回归模型 | 第40-41页 |
| ·基于内容的线性回归和评分预测算法描述 | 第41-42页 |
| ·概率解释 | 第42-43页 |
| ·基于特征学习的协同过滤 | 第43-46页 |
| ·梯度下降 | 第44-45页 |
| ·特征学习算法 | 第45-46页 |
| ·实验及结果 | 第46-51页 |
| 5 基于 MapReduce 的设计与实现 | 第51-63页 |
| ·引言 | 第51页 |
| ·相关研究 | 第51-52页 |
| ·求和范式 | 第52页 |
| ·特征学习算法的 MapReduce 化 | 第52-57页 |
| ·分析 | 第52-53页 |
| ·数据集与算法设计 | 第53-57页 |
| ·算法实现与运行 | 第57-61页 |
| ·Hadoop 及 Eclipse 开发环境 | 第57-58页 |
| ·程序清单介绍 | 第58-59页 |
| ·运行结果 | 第59-61页 |
| ·本章小结 | 第61-63页 |
| 6 总结与展望 | 第63-65页 |
| ·文章总结 | 第63页 |
| ·研究展望 | 第63-65页 |
| 参考文献 | 第65-67页 |
| 附录 | 第67-77页 |
| 致谢 | 第77-79页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第79页 |
