| 摘要 | 第8-10页 |
| Abstract | 第10-11页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.4 主要贡献 | 第17-18页 |
| 1.5 本文的组织结构 | 第18-19页 |
| 第二章 Spark系统生态与环境搭建 | 第19-31页 |
| 2.1 Spark大数据处理框架及其生态系统 | 第19-24页 |
| 2.1.1 Spark Runtime | 第19-21页 |
| 2.1.2 Spark SQL | 第21页 |
| 2.1.3 MLlib | 第21-22页 |
| 2.1.4 GraphX | 第22-23页 |
| 2.1.5 Spark Streaming | 第23-24页 |
| 2.2 Scala语言 | 第24-25页 |
| 2.3 Spark开发环境及其分布式集群搭建 | 第25-31页 |
| 2.3.1 硬件系统要求 | 第25-26页 |
| 2.3.2 构造分布式Hadoop集群 | 第26-27页 |
| 2.3.3 构造分布式Spark集群 | 第27-28页 |
| 2.3.4 配置Spark的IDE开发环境 | 第28-31页 |
| 第三章 基于Spark的分布式协同过滤推荐实现 | 第31-47页 |
| 3.1 MLlib | 第31-32页 |
| 3.1.1 MLlib算法库 | 第31-32页 |
| 3.2 协同过滤算法 | 第32-35页 |
| 3.2.1 协同过滤综述 | 第32页 |
| 3.2.2 协同过滤核心思想 | 第32-35页 |
| 3.3 基于Spark的协同过滤推荐实现 | 第35-39页 |
| 3.3.1 MLlib中并行协同过滤推荐的实现 | 第35-36页 |
| 3.3.2 核心代码 | 第36-39页 |
| 3.4 实验验证 | 第39-47页 |
| 3.4.1 选用的数据集 | 第39-41页 |
| 3.4.2 运行结果 | 第41-44页 |
| 3.4.3 使用分布式协同过巧进行推荐 | 第44-47页 |
| 第四章 基于Spark的Apriori算法分布式实现 | 第47-62页 |
| 4.1 Apriori算法原理和分析 | 第47-52页 |
| 4.1.1 Apriori算法概念和核心步骤 | 第47-48页 |
| 4.1.2 Apriori算法的伪代码实现 | 第48-49页 |
| 4.1.3 Apriori算法单机实现的核心代码 | 第49-52页 |
| 4.2 Apriori算法基于Spark的分布式实现 | 第52-56页 |
| 4.2.1 并行Apriori算法实现思路 | 第52页 |
| 4.2.2 并行Apriori算法核心步骤 | 第52-56页 |
| 4.3 实验验证 | 第56-62页 |
| 4.3.1 实验环境和条件 | 第56-58页 |
| 4.3.2 实验结果分析 | 第58-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 参考文献 | 第64-66页 |
| 致谢 | 第66-67页 |
| 附件 | 第67页 |