| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 推荐系统研究现状与分析 | 第9-11页 |
| 1.3 推荐系统面临的挑战与发展趋势 | 第11-13页 |
| 1.3.1 面临的挑战 | 第11-12页 |
| 1.3.2 发展趋势 | 第12-13页 |
| 1.4 论文研究内容与章节安排 | 第13-14页 |
| 第二章 常用的推荐算法与其相关技术 | 第14-22页 |
| 2.1 相似度的计算方法 | 第14-15页 |
| 2.1.1 Pearson相关性 | 第14页 |
| 2.1.2 夹角余弦相关性 | 第14-15页 |
| 2.2 常用的推荐算法 | 第15-21页 |
| 2.2.1 基于内容的推荐算法 | 第15-17页 |
| 2.2.2 协同过滤推荐算法 | 第17-19页 |
| 2.2.3 基于图结构的推荐算法 | 第19-20页 |
| 2.2.4 混合推荐算法 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 推荐系统评价指标 | 第22-28页 |
| 3.1 推荐系统的评测 | 第22页 |
| 3.2 推荐系统的实验方法 | 第22-24页 |
| 3.2.1 离线实验 | 第23页 |
| 3.2.2 用户调查 | 第23页 |
| 3.2.3 在线实验 | 第23-24页 |
| 3.3 推荐系统的评价指标 | 第24-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第四章 基于遗忘机制与加权二部图的混合推荐算法 | 第28-40页 |
| 4.1 概述 | 第28页 |
| 4.2 基于资源分配的二部图的推荐算法 | 第28-30页 |
| 4.3 基于加权二部图的推荐算法 | 第30-31页 |
| 4.4 基于遗忘机制与加权的二部图的混合推荐算法 | 第31-39页 |
| 4.4.1 遗忘机制 | 第32-33页 |
| 4.4.2 基于遗忘机制与加权二部图的推荐算法 | 第33-36页 |
| 4.4.3 基于遗忘机制与加权二部图的混合推荐算法 | 第36-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第五章 实验与性能分析 | 第40-48页 |
| 5.1 评价指标 | 第40-42页 |
| 5.1.1 算法的复杂度 | 第40页 |
| 5.1.2 分类准确度 | 第40-41页 |
| 5.1.3 排序准确度 | 第41-42页 |
| 5.2 实验数据集 | 第42-43页 |
| 5.2.1 数据集的初始化 | 第42-43页 |
| 5.3 实验结果及分析 | 第43-47页 |
| 5.4 本站小结 | 第47-48页 |
| 第六章 Spark平台上算法实现 | 第48-56页 |
| 6.1 Spark平台简介 | 第48-49页 |
| 6.2 Spark平台环境 | 第49-50页 |
| 6.3 核心算法实现 | 第50-55页 |
| 6.4 本章小结 | 第55-56页 |
| 第七章 总结和展望 | 第56-58页 |
| 7.1 总结 | 第56-57页 |
| 7.2 展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 | 第63-64页 |