大数据环境下服务推荐系统及其关键方法研究
| 摘要 | 第5-8页 |
| Abstract | 第8-10页 |
| 第一章 绪论 | 第17-36页 |
| 1.1 大数据研究背景及现状 | 第17-18页 |
| 1.2 大数据相关技术 | 第18-25页 |
| 1.2.1 大数据存储技术 | 第19-22页 |
| 1.2.2 大数据处理技术 | 第22-25页 |
| 1.3 推荐系统研究背景及现状 | 第25-26页 |
| 1.4 主流推荐算法概述 | 第26-30页 |
| 1.4.1 基于关联规则的推荐算法 | 第26页 |
| 1.4.2 基于内容的推荐算法 | 第26-28页 |
| 1.4.3 基于协同过滤的推荐算法 | 第28-29页 |
| 1.4.4 混合推荐算法 | 第29-30页 |
| 1.5 大数据环境下服务推荐系统面临的问题 | 第30-33页 |
| 1.5.1 服务大数据的存储问题 | 第31-32页 |
| 1.5.2 推荐系统的实时性问题 | 第32页 |
| 1.5.3 评分数据的稀疏性问题 | 第32-33页 |
| 1.6 论文主要研究内容 | 第33-34页 |
| 1.7 论文组织结构 | 第34-36页 |
| 第二章 大数据环境下的服务推荐系统 | 第36-46页 |
| 2.1 引言 | 第36-37页 |
| 2.2 大数据环境下服务推荐系统需求分析 | 第37-40页 |
| 2.3 大数据环境下服务推荐系统架构 | 第40-44页 |
| 2.4 本章小结 | 第44-46页 |
| 第三章 基于服务特征相似度的服务聚类方法 | 第46-60页 |
| 3.1 引言 | 第46页 |
| 3.2 聚类方法分类 | 第46-49页 |
| 3.3 基于服务特征相似度的服务聚类方法步骤 | 第49-54页 |
| 3.3.1 服务标签和服务功能提取 | 第50-51页 |
| 3.3.2 服务标签预处理 | 第51-52页 |
| 3.3.3 特征相似度计算 | 第52页 |
| 3.3.4 服务聚类 | 第52-53页 |
| 3.3.5 时间复杂度分析 | 第53-54页 |
| 3.4 实验评估 | 第54-57页 |
| 3.4.1 实验环境 | 第54页 |
| 3.4.2 实验数据集 | 第54页 |
| 3.4.3 实验结果分析 | 第54-57页 |
| 3.5 相关工作 | 第57-59页 |
| 3.6 本章小结 | 第59-60页 |
| 第四章 基于用户兴趣相似度的用户聚类方法 | 第60-82页 |
| 4.1 引言 | 第60页 |
| 4.2 用户兴趣建模技术分类 | 第60-61页 |
| 4.3 用户兴趣获取方式 | 第61-63页 |
| 4.4 用户兴趣模型表示 | 第63-64页 |
| 4.5 用户兴趣模型更新 | 第64-66页 |
| 4.6 基于用户兴趣相似度的用户聚类方法步骤 | 第66-77页 |
| 4.6.1 用户日志提取 | 第66-67页 |
| 4.6.2 用户日志预处理 | 第67-70页 |
| 4.6.3 用户兴趣建模 | 第70-73页 |
| 4.6.4 并行用户聚类 | 第73-77页 |
| 4.7 实验评估 | 第77-79页 |
| 4.7.1 实验环境 | 第77页 |
| 4.7.2 实验数据集 | 第77页 |
| 4.7.3 实验结果分析 | 第77-79页 |
| 4.8 相关工作 | 第79-80页 |
| 4.9 本章小结 | 第80-82页 |
| 第五章 基于用户聚类的用户过滤方法 | 第82-96页 |
| 5.1 引言 | 第82页 |
| 5.2 有效上下文识别 | 第82-84页 |
| 5.3 上下文预过滤器 | 第84-86页 |
| 5.4 基于用户聚类的用户过滤方法步骤 | 第86-90页 |
| 5.4.1 上下文提取 | 第88页 |
| 5.4.2 上下文泛化 | 第88-89页 |
| 5.4.3 基于用户聚类的用户过滤 | 第89-90页 |
| 5.5 实验评估 | 第90-93页 |
| 5.5.1 实验环境 | 第90-91页 |
| 5.5.2 实验数据集 | 第91页 |
| 5.5.3 实验结果分析 | 第91-93页 |
| 5.6 相关工作 | 第93-94页 |
| 5.7 本章小结 | 第94-96页 |
| 第六章 基于服务聚类和用户过滤的协同过滤方法 | 第96-107页 |
| 6.1 引言 | 第96页 |
| 6.2 协同过滤算法分类 | 第96-99页 |
| 6.3 基于服务聚类和用户过滤的协同过滤方法步骤 | 第99-104页 |
| 6.3.1 用户之间评分相似度计算 | 第100-103页 |
| 6.3.2 活动用户的最近邻居选择 | 第103页 |
| 6.3.3 目标服务的预测评分值计算 | 第103-104页 |
| 6.3.4 时间复杂度分析 | 第104页 |
| 6.4 相关工作 | 第104-106页 |
| 6.5 本章小结 | 第106-107页 |
| 第七章 大数据环境下服务推荐系统评估 | 第107-126页 |
| 7.1 引言 | 第107页 |
| 7.2 实验平台 | 第107-108页 |
| 7.3 实验数据 | 第108-110页 |
| 7.4 服务推荐方法验证 | 第110-117页 |
| 7.4.1 服务聚类方法验证 | 第110-114页 |
| 7.4.2 用户聚类方法验证 | 第114-116页 |
| 7.4.3 用户过滤方法验证 | 第116-117页 |
| 7.4.4 协同过滤方法验证 | 第117页 |
| 7.5 实验评价 | 第117-125页 |
| 7.5.1 评价指标 | 第117-118页 |
| 7.5.2 评价方法 | 第118页 |
| 7.5.3 评价过程 | 第118-125页 |
| 7.6 本章小结 | 第125-126页 |
| 第八章 总结与展望 | 第126-129页 |
| 8.1 工作总结 | 第126-127页 |
| 8.2 研究展望 | 第127-129页 |
| 参考文献 | 第129-145页 |
| 致谢 | 第145-146页 |
| 攻读博士期间发表及录用文章列表 | 第146-147页 |
| 攻读博士期间参研项目 | 第147-148页 |
