| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 课题背景 | 第13-15页 |
| 1.2 研究意义 | 第15页 |
| 1.3 本文主要内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 Spark和推荐算法相关研究综述 | 第17-29页 |
| 2.1 推荐系统相关算法 | 第17-21页 |
| 2.1.1 基于内容的推荐 | 第18-19页 |
| 2.1.2 协同过滤推荐 | 第19-21页 |
| 2.2 Spark并行内存计算框架 | 第21-25页 |
| 2.2.1 Spark计算模型 | 第22页 |
| 2.2.2 Spark的数据存储 | 第22-24页 |
| 2.2.3 Spark的IO机制 | 第24-25页 |
| 2.2.4 Spark生态系统BDAS | 第25页 |
| 2.3 基于Spark平台的算法并行化改进 | 第25-27页 |
| 2.3.1 Scala函数式编程语言 | 第25-26页 |
| 2.3.2 算法并行的一般概念 | 第26页 |
| 2.3.3 利用Spark的RDD数据结构进行并行化 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 并行化SVD算法的设计和实现 | 第29-41页 |
| 3.1 传统SVD算法 | 第29-31页 |
| 3.1.1 问题描述 | 第29-30页 |
| 3.1.2 算法描述 | 第30-31页 |
| 3.1.3 算法不足 | 第31页 |
| 3.2 SVD算法的改进 | 第31-34页 |
| 3.3 SVD算法的并行化改进 | 第34-39页 |
| 3.3.1 并行单元提取 | 第35-36页 |
| 3.3.2 分布式并行优化 | 第36-38页 |
| 3.3.3 并行算法的局部优化 | 第38-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第四章 基于改进SVD算法的新闻推荐系统设计和实现 | 第41-55页 |
| 4.1 系统总体设计 | 第41-43页 |
| 4.1.1 系统需求分析 | 第41页 |
| 4.1.2 技术栈分析 | 第41-42页 |
| 4.1.3 系统总体架构设计 | 第42页 |
| 4.1.4 系统流程设计 | 第42-43页 |
| 4.2 系统实现 | 第43-53页 |
| 4.2.1 数据源获取 | 第43-48页 |
| 4.2.2 Spark集群部署 | 第48-50页 |
| 4.2.3 后端推荐引擎实现 | 第50-51页 |
| 4.2.4 前端展示UI实现 | 第51-53页 |
| 4.3 本章小结 | 第53-55页 |
| 第五章 实验设计和分析 | 第55-65页 |
| 5.1 实验数据准备 | 第55页 |
| 5.2 实验环境 | 第55-56页 |
| 5.2.1 软件环境 | 第55页 |
| 5.2.2 硬件环境 | 第55-56页 |
| 5.3 实验评价标准 | 第56页 |
| 5.4 实验设计和结果分析 | 第56-63页 |
| 5.4.1 参数选择 | 第56-59页 |
| 5.4.2 正确性验证 | 第59-60页 |
| 5.4.3 性能改进的实验 | 第60-61页 |
| 5.4.4 加速比speedup实验 | 第61-63页 |
| 5.5 本章小结 | 第63-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 工作总结 | 第65页 |
| 6.2 未来展望 | 第65-67页 |
| 参考文献 | 第67-69页 |
| 致谢 | 第69-71页 |
| 作者简介 | 第71-72页 |