| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 表格索引 | 第10-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状及应用 | 第15-17页 |
| 1.2.1 国内外研究现状 | 第15-16页 |
| 1.2.2 推荐系统的应用 | 第16-17页 |
| 1.3 本文工作 | 第17-18页 |
| 1.4 本文结构安排 | 第18页 |
| 1.5 本章小结 | 第18-20页 |
| 第二章 推荐系统理论与技术研究 | 第20-30页 |
| 2.1 协同过滤推荐算法研究 | 第20-24页 |
| 2.1.1 基于用户的协同过滤 | 第20-21页 |
| 2.1.2 基于物品的协同过滤 | 第21-22页 |
| 2.1.3 相似度算法研究 | 第22-23页 |
| 2.1.4 其他算法 | 第23-24页 |
| 2.2 其他常用推荐算法 | 第24-25页 |
| 2.2.1 基于内容推荐 | 第24页 |
| 2.2.2 基于关联规则推荐 | 第24-25页 |
| 2.2.3 基于知识和效用推荐 | 第25页 |
| 2.3 推荐系统的关键问题 | 第25-29页 |
| 2.3.1 推荐系统的实验和测评 | 第25-27页 |
| 2.3.2 冷启动问题 | 第27-28页 |
| 2.3.3 推荐系统中混合技术的研究 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 Hadoop核心技术研究 | 第30-40页 |
| 3.1 Hadoop简介 | 第30-32页 |
| 3.1.1 Hadoop的产生背景 | 第30页 |
| 3.1.2 Hadoop的基本架构 | 第30-31页 |
| 3.1.3 Hadoop的优势 | 第31页 |
| 3.1.4 Hadoop生态系统 | 第31-32页 |
| 3.2 MapReduce工作机制分析 | 第32-34页 |
| 3.2.1 编程模型 | 第32-33页 |
| 3.2.2 工作机制 | 第33-34页 |
| 3.3 HDFS基础 | 第34-38页 |
| 3.3.1 HDFS概念与设计 | 第34-36页 |
| 3.3.2 分布式I/O的基本原理 | 第36-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第四章 推荐算法的研究改进与实验分析 | 第40-56页 |
| 4.1 算法研究及其改进 | 第40-47页 |
| 4.1.1 算法思想 | 第40页 |
| 4.1.2 余弦相似度算法的改进 | 第40-43页 |
| 4.1.3 物品协同过滤算法的分布式改进 | 第43-47页 |
| 4.2 实验环境和实验数据 | 第47-50页 |
| 4.2.1 数据集的准备 | 第47页 |
| 4.2.2 实验环境搭建 | 第47-50页 |
| 4.3 实验验证与分析 | 第50-55页 |
| 4.3.1 算法性能评估指标 | 第50-51页 |
| 4.3.2 实验结果与分析 | 第51-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 MovieFinder电影推荐系统设计与实现 | 第56-70页 |
| 5.1 系统开发环境及技术选型 | 第56-57页 |
| 5.2 系统架构与总体设计 | 第57-60页 |
| 5.2.1 系统架构 | 第57-58页 |
| 5.2.2 系统关键流程设计 | 第58-60页 |
| 5.3 系统关键模块设计与实现 | 第60-66页 |
| 5.3.1 电影和用户数据模型 | 第60-61页 |
| 5.3.2 数据转换模块 | 第61-63页 |
| 5.3.3 推荐引擎 | 第63-64页 |
| 5.3.4 用户系统交互模块 | 第64-65页 |
| 5.3.5 用户行为收集模块 | 第65-66页 |
| 5.4 系统测试 | 第66-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 本文总结 | 第70页 |
| 6.2 展望 | 第70-72页 |
| 参考文献 | 第72-74页 |
| 致谢 | 第74-76页 |
| 作者简介 | 第76-77页 |