面向海量用户行为数据的并行个性化推荐算法的研究与实现
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-11页 |
| 1 引言 | 第11-16页 |
| ·研究背景与意义 | 第11-12页 |
| ·国内外研究现状 | 第12-15页 |
| ·论文主要研究内容 | 第15页 |
| ·论文组织结构 | 第15-16页 |
| 2 相关理论 | 第16-31页 |
| ·相似性计算 | 第16-19页 |
| ·余弦相似性 | 第16页 |
| ·修正的余弦相似性 | 第16-17页 |
| ·Peason相关系数 | 第17页 |
| ·Jaccard相似度 | 第17-18页 |
| ·SimHash相似性 | 第18-19页 |
| ·Slope One算法 | 第19-20页 |
| ·朴素贝叶斯分类模型 | 第20-21页 |
| ·IK分词系统 | 第21-23页 |
| ·分布式平台 | 第23-30页 |
| ·MapReduce编程模型 | 第23-26页 |
| ·Hadoop分布式框架 | 第26-28页 |
| ·HBase分布式数据库 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 3 资讯内容混合推荐算法设计 | 第31-44页 |
| ·资讯领域背景分析 | 第31-32页 |
| ·数据预处理 | 第32-34页 |
| ·推荐算法分析 | 第34-35页 |
| ·混合推荐算法模型 | 第35-43页 |
| ·评分数据的生成 | 第36-37页 |
| ·项目分类 | 第37-39页 |
| ·用户兴趣模型的构建 | 第39-40页 |
| ·项目偏差矩阵 | 第40-41页 |
| ·推荐过程 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 4 分布式算法的实现 | 第44-63页 |
| ·分布式环境的搭建 | 第44-47页 |
| ·Hadoop环境的搭建 | 第44-46页 |
| ·HBase环境的搭建 | 第46-47页 |
| ·算法表结构的设计与实现 | 第47-49页 |
| ·算法MapReduce的设计与实现 | 第49-59页 |
| ·资讯类个性化推荐系统的设计 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 5 实验结果分析 | 第63-67页 |
| ·实验平台 | 第63页 |
| ·实验数据 | 第63-64页 |
| ·实验方案与结果 | 第64-66页 |
| ·推荐质量上的比较 | 第64-65页 |
| ·推荐新项目的实验 | 第65-66页 |
| ·本章小结 | 第66-67页 |
| 6 总结与展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 学位论文数据集 | 第73页 |
