面向O2O显隐式反馈的分布式混合推荐方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题来源 | 第9页 |
| 1.2 研究背景与意义 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-16页 |
| 1.4 论文主要工作 | 第16页 |
| 1.5 论文组织结构 | 第16-18页 |
| 第2章 整体框架设计 | 第18-29页 |
| 2.1 需求分析 | 第18-19页 |
| 2.2 传统推荐算法对比 | 第19-20页 |
| 2.3 推荐方案研究 | 第20-23页 |
| 2.3.1 方案架构设计 | 第21-22页 |
| 2.3.2 大数据并行化设计 | 第22-23页 |
| 2.4 设计面临的技术难点 | 第23-24页 |
| 2.5 方案改进 | 第24-25页 |
| 2.6 整体方案架构 | 第25-28页 |
| 2.7 本章小结 | 第28-29页 |
| 第3章 融合优化聚类的分布式显式反馈推荐研究 | 第29-47页 |
| 3.1 传统UserCF算法流程分析 | 第29-31页 |
| 3.2 针对O2O大数据的UserCF的改进 | 第31-33页 |
| 3.3 预处理机制的建立 | 第33-36页 |
| 3.3.1 冷启动仓库建立 | 第33-35页 |
| 3.3.2 ALS矩阵分解预处理 | 第35-36页 |
| 3.4 基于Canopy的优化聚类模型研究 | 第36-42页 |
| 3.4.1 K-means聚类的优化和改进 | 第36-40页 |
| 3.4.3 推荐生成 | 第40-42页 |
| 3.5 MapReduce并行化 | 第42-46页 |
| 3.5.1 不同节点间的推荐问题 | 第42-43页 |
| 3.5.2 并行化设计 | 第43-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 融合隐式反馈的分布式变加权混合推荐研究 | 第47-57页 |
| 4.1 显隐式混合推荐策略 | 第47-48页 |
| 4.2 隐式反馈推荐面临的问题 | 第48-49页 |
| 4.2.1 隐式反馈数据存在的问题 | 第48页 |
| 4.2.2 传统解决方案的局限 | 第48-49页 |
| 4.3 隐式反馈推荐算法设计 | 第49-52页 |
| 4.3.1 基于选择倾向度的推荐 | 第49-51页 |
| 4.3.2 MapReduce并行化 | 第51-52页 |
| 4.4 变加权混合推荐设计 | 第52-56页 |
| 4.4.1 混合推荐面临的问题 | 第52-53页 |
| 4.4.2 显隐式推荐变加权推荐 | 第53-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 测试与评估 | 第57-66页 |
| 5.1 测试环境 | 第57-58页 |
| 5.1.1 测试环境搭建 | 第57页 |
| 5.1.2 测试结果界面搭建 | 第57-58页 |
| 5.2 功能测试 | 第58-60页 |
| 5.3 性能测试 | 第60-65页 |
| 5.3.1 MAE平均绝对误差 | 第60-62页 |
| 5.3.2 MAP平均正确率均值 | 第62-63页 |
| 5.3.3 推荐召回率 | 第63-64页 |
| 5.3.4 推荐效率加速比 | 第64-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 本文总结 | 第66-67页 |
| 6.2 研究展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-72页 |
