社交网络潜在热点推荐系统的研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究目的意义 | 第10-11页 |
| 1.2 推荐系统相关的研究现状 | 第11-13页 |
| 1.2.1 推荐算法的研究现状 | 第11-13页 |
| 1.2.2 Spark研究现状 | 第13页 |
| 1.3 本文的研究内容 | 第13-14页 |
| 1.4 论文主要组织结构 | 第14-16页 |
| 第2章 相关技术介绍 | 第16-29页 |
| 2.1 大数据计算存储与检索技术 | 第16-20页 |
| 2.1.1 Spark分布式计算框架 | 第16-18页 |
| 2.1.2 HBase分布式存储框架 | 第18-19页 |
| 2.1.3 Solr全文检索技术 | 第19-20页 |
| 2.2 推荐算法概述 | 第20-26页 |
| 2.2.1 基于内容的推荐算法 | 第20-22页 |
| 2.2.2 基于用户和物品的协同过滤算法 | 第22-23页 |
| 2.2.3 基于隐语义模型的推荐算法 | 第23-25页 |
| 2.2.4 混合推荐技术 | 第25-26页 |
| 2.3 推荐系统评价指标 | 第26-27页 |
| 2.4 交互界面SSH框架介绍 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 社交网络潜在热点推荐系统的设计 | 第29-39页 |
| 3.1 引言 | 第29页 |
| 3.2 整体架构 | 第29-30页 |
| 3.3 社交网络数据采集设计 | 第30-31页 |
| 3.4 基于HBase的统一数据存储 | 第31-33页 |
| 3.4.1 HBase表结构设计 | 第31-33页 |
| 3.4.2 HBase数据备份与迁移 | 第33页 |
| 3.5 推荐引擎组设计 | 第33-38页 |
| 3.5.1 基于用户兴趣关键词的推荐方法 | 第33-35页 |
| 3.5.2 基于博文内容的推荐方法 | 第35-37页 |
| 3.5.3 基于社交网络关系的推荐方法 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 推荐系统的实现 | 第39-59页 |
| 4.1 系统实现的技术框架 | 第39-40页 |
| 4.2 社交网络信息采集程序实现 | 第40-47页 |
| 4.2.1 新浪微博信息采集 | 第40-42页 |
| 4.2.2 Twitter信息采集 | 第42-44页 |
| 4.2.3 Facebook信息采集 | 第44-47页 |
| 4.3 推荐引擎组实现 | 第47-55页 |
| 4.3.1 基于用户兴趣关键词的推荐方法 | 第47-50页 |
| 4.3.2 基于博文内容的推荐方法 | 第50-52页 |
| 4.3.3 基于社交网络关系的推荐方法 | 第52-54页 |
| 4.3.4 推荐结果处理模块 | 第54-55页 |
| 4.4 交互界面的设计与实现 | 第55-58页 |
| 4.4.1 推荐界面类图 | 第55-58页 |
| 4.4.2 前端页面 | 第58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 实验分析与系统评测 | 第59-69页 |
| 5.1 系统部署 | 第59-61页 |
| 5.2 数据采集结果 | 第61-62页 |
| 5.3 基于博文内容的推荐测试 | 第62-64页 |
| 5.3.1 测试方案 | 第62页 |
| 5.3.2 测试结果 | 第62-64页 |
| 5.4 基于Spark的ALS算法参数测试 | 第64-65页 |
| 5.4.1 测试方案 | 第64页 |
| 5.4.2 测试结果 | 第64-65页 |
| 5.5 性能评价 | 第65-66页 |
| 5.5.1 实验设计 | 第65-66页 |
| 5.5.2 实验结果 | 第66页 |
| 5.6 推荐界面的展示 | 第66-68页 |
| 5.7 本章小结 | 第68-69页 |
| 结论 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间发表的学术论文及其他成果 | 第74-76页 |
| 致谢 | 第76页 |
