| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 本论文的研究内容和主要贡献 | 第11-13页 |
| 1.3 相关工作 | 第13-14页 |
| 1.3.1 通用大数据平台推荐系统解决方案 | 第13页 |
| 1.3.2 专用机器学习大数据平台解决方案 | 第13-14页 |
| 1.3.3 其他模型及GPU解决方案 | 第14页 |
| 1.4 章节安排 | 第14-17页 |
| 第二章 协同推荐算法介绍与分析 | 第17-25页 |
| 2.1 基于矩阵分解的协同过滤推荐算法 | 第17-19页 |
| 2.2 交替最小二乘法介绍与分析 | 第19-20页 |
| 2.3 梯度下降介绍与分析 | 第20-22页 |
| 2.4 矩阵分解训练算法对比分析 | 第22-25页 |
| 第三章 分布式执行模型算法支持度分析 | 第25-31页 |
| 3.1 大数据推荐场景的挑战 | 第25-26页 |
| 3.2 BSP模型 | 第26-27页 |
| 3.3 数据流模型 | 第27-31页 |
| 第四章 基于数据流的协同过滤推荐算法 | 第31-45页 |
| 4.1 数据流执行模型说明 | 第31-33页 |
| 4.2 基于数据流的原生协同过滤推荐算法 | 第33-36页 |
| 4.3 虚边 (Dummy Edge) 优化 | 第36-40页 |
| 4.4 多播（Multicasting）优化 | 第40-41页 |
| 4.5 Mini-batch优化 | 第41页 |
| 4.6 DCF算法 | 第41-45页 |
| 第五章 基于数据流的推荐系统实现 | 第45-51页 |
| 5.1 软件环境 | 第45页 |
| 5.2 推荐系统实现概览 | 第45-46页 |
| 5.3 数据存储与解析 | 第46-47页 |
| 5.4 模型训练 | 第47-48页 |
| 5.5 预测分析 | 第48-51页 |
| 第六章 基于数据流的推荐系统搭建与性能评测 | 第51-63页 |
| 6.1 评测方法 | 第51-54页 |
| 6.1.1 数据集选择 | 第51页 |
| 6.1.2 测试集群配置 | 第51页 |
| 6.1.3 评测参数说明 | 第51-54页 |
| 6.1.4 评测标准 | 第54页 |
| 6.2 DCF与其他大数据平台推荐算法性能对比分析 | 第54-57页 |
| 6.2.1 正确性实验结果对比分析 | 第54页 |
| 6.2.2 性能实验结果对比分析 | 第54-57页 |
| 6.3 DCF优化性能分析 | 第57-59页 |
| 6.4 DCF扩展性分析 | 第59-63页 |
| 第七章 总结与展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71-73页 |
| 攻读学位期间发表的学术论文 | 第73-75页 |
| 攻读学位期间参与的项目 | 第75-77页 |