基于Spark框架的实时推荐系统关键技术研究
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 分布式流技术研究现状 | 第9页 |
| 1.2.2 推荐系统研究现状 | 第9-10页 |
| 1.3 本文研究内容及意义 | 第10-13页 |
| 1.3.1 本文研究内容 | 第10-11页 |
| 1.3.2 本文研究意义 | 第11-13页 |
| 1.4 论文结构 | 第13-15页 |
| 第2章 相关概念与关键技术分析 | 第15-30页 |
| 2.1 主要相似度度量方法 | 第15-16页 |
| 2.2 推荐系统中的数据挖掘技术重点 | 第16-19页 |
| 2.2.1 数据降维 | 第17页 |
| 2.2.2 信息去噪 | 第17-18页 |
| 2.2.3 机器学习算法 | 第18-19页 |
| 2.3 个性化推荐系统技术重点 | 第19-22页 |
| 2.3.1 基于内容的推荐算法 | 第19-20页 |
| 2.3.2 基于近邻的推荐算法 | 第20-22页 |
| 2.4 分布式系统相关技术 | 第22-29页 |
| 2.4.1 分布式消息系统KAFKA | 第23页 |
| 2.4.2 分布式文件系统HDFS | 第23-24页 |
| 2.4.3 SPARK重点技术介绍 | 第24-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 情境感知推荐算法 | 第30-38页 |
| 3.1 推荐系统中的情境 | 第30-32页 |
| 3.1.1 情境的概念 | 第30-31页 |
| 3.1.2 情境信息建模 | 第31-32页 |
| 3.1.3 获取情境信息 | 第32页 |
| 3.2 结合情境的推荐系统 | 第32-36页 |
| 3.2.1 情境预过滤 | 第32-33页 |
| 3.2.2 情境后过滤 | 第33-35页 |
| 3.2.3 情境建模 | 第35页 |
| 3.2.4 多种方法组合 | 第35-36页 |
| 3.3 情境感知推荐的实际效果分析 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于SPARK的实时情境推荐研究 | 第38-51页 |
| 4.1 推荐系统面临的问题分析 | 第38-40页 |
| 4.1.1 数据稀疏性 | 第38页 |
| 4.1.2 冷启动问题 | 第38-39页 |
| 4.1.3 系统扩展性 | 第39页 |
| 4.1.4 实时性 | 第39-40页 |
| 4.2 系统架构设计 | 第40页 |
| 4.3 基于KAFKA的消息实时化 | 第40-43页 |
| 4.3.1 生产者(PRODUCER)端设计 | 第41-42页 |
| 4.3.2 消费者(CONSUMER)端设计 | 第42-43页 |
| 4.4 基于SPARK的并行化 | 第43-44页 |
| 4.5 推荐算法优化 | 第44-49页 |
| 4.5.1 针对数据稀疏的优化 | 第44-45页 |
| 4.5.2 针对冷启动的优化 | 第45-47页 |
| 4.5.3 针对推荐准确率的优化 | 第47-48页 |
| 4.5.4 针对算法复杂度的优化 | 第48-49页 |
| 4.6 本章小结 | 第49-51页 |
| 第5章 推荐系统评测及结果分析 | 第51-57页 |
| 5.1 推荐系统评测指标 | 第51-53页 |
| 5.1.1 用户满意度 | 第51页 |
| 5.1.2 预测准确率 | 第51-52页 |
| 5.1.3 覆盖率 | 第52-53页 |
| 5.1.4 系统性能 | 第53页 |
| 5.2 系统环境 | 第53页 |
| 5.3 推荐系统评测结果分析 | 第53-56页 |
| 5.3.1 推荐关键指标测试 | 第53-54页 |
| 5.3.2 用户满意度测试 | 第54-55页 |
| 5.3.3 推荐结果稳定性测试 | 第55页 |
| 5.3.4 系统实时性测试 | 第55-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-58页 |
| 参考文献 | 第58-60页 |
| 致谢 | 第60-61页 |
| 附录1 攻读硕士学位期间发表的论文 | 第61-62页 |
| 附录2 主要英文缩写语对照表 | 第62页 |
