| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题背景与研究意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 推荐系统的研究现状 | 第10-11页 |
| 1.2.2 基于台标识别的数据采集技术研究现状 | 第11-12页 |
| 1.3 课题研究方向及内容安排 | 第12-14页 |
| 第二章 推荐系统相关技术背景与架构设计 | 第14-21页 |
| 2.1 推荐系统概述 | 第14-16页 |
| 2.2 Spark并行计算框架概述 | 第16-17页 |
| 2.3 智能电视节目推荐系统架构及运行流程 | 第17-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 基于台标识别的用户行为采集模块设计 | 第21-43页 |
| 3.1 用户行为采集模块概述 | 第21-22页 |
| 3.2 台标识别原理概述 | 第22-25页 |
| 3.2.1 台标简介 | 第22-23页 |
| 3.2.2 台标识别算法 | 第23-25页 |
| 3.3 卷积神经网络台标识别算法概述 | 第25-32页 |
| 3.3.1 卷积神经网络的发展历史 | 第26-27页 |
| 3.3.2 卷积神经网络的结构 | 第27-29页 |
| 3.3.3 卷积神经网络训练模型的公式推导 | 第29-32页 |
| 3.4 基于递进卷积神经网络的台标识别算法构建 | 第32-38页 |
| 3.4.1 递进卷积神经网络的结构 | 第33-35页 |
| 3.4.2 递进卷积神经网络的训练流程 | 第35-37页 |
| 3.4.3 递进卷积神经网络的识别流程 | 第37-38页 |
| 3.5 实验结果与分析 | 第38-42页 |
| 3.5.1 实验环境搭建 | 第38-39页 |
| 3.5.2 实验评价指标与结果分析 | 第39-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第四章 基于混合算法的视频推荐模块设计 | 第43-58页 |
| 4.1 推荐模块概述 | 第43-44页 |
| 4.2 推荐算法概述 | 第44-47页 |
| 4.2.1 基于内容的推荐算法 | 第44-45页 |
| 4.2.2 基于协同过滤的推荐算法 | 第45-46页 |
| 4.2.3 结合视频节目特点的推荐算法分析 | 第46-47页 |
| 4.3 混合推荐模型的构建 | 第47-52页 |
| 4.3.1 基于物品的协同过滤模型构建 | 第47-49页 |
| 4.3.2 基于ALS的推荐模型构建 | 第49-50页 |
| 4.3.3 混合推荐模型的训练及推荐策略 | 第50-52页 |
| 4.4 实验与评价 | 第52-57页 |
| 4.4.1 实验目标 | 第52页 |
| 4.4.2 实验准备 | 第52-55页 |
| 4.4.3 实验设计与结果分析 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 基于Spark集群的视频流处理推荐系统构建 | 第58-73页 |
| 5.1 Spark运行机制 | 第58-60页 |
| 5.2 Spark数据集与操作方式 | 第60-62页 |
| 5.3 基于Spark的并行化程序设计 | 第62-67页 |
| 5.3.1 基于Spark平台的递进卷积神经网络算法构建 | 第62-63页 |
| 5.3.2 基于Spark平台的混合推荐算法构建 | 第63-66页 |
| 5.3.3 基于Spark流式计算框架的算法构建 | 第66-67页 |
| 5.4 实验与分析 | 第67-72页 |
| 5.4.1 实验硬件基础 | 第67-68页 |
| 5.4.2 实验软件基础 | 第68-70页 |
| 5.4.3 实验设计与结果分析 | 第70-72页 |
| 5.5 本章小结 | 第72-73页 |
| 总结与展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-80页 |
| 个人简历 | 第80-81页 |
| 攻读硕士期间的研究成果及发表的学术论文 | 第81页 |