| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 推荐系统研究现状 | 第13-14页 |
| 1.3 研究内容和主要工作 | 第14-15页 |
| 1.4 论文结构和安排 | 第15-16页 |
| 2 推荐系统与大数据处理技术概述 | 第16-31页 |
| 2.1 常用推荐算法分类 | 第16-23页 |
| 2.1.1 基于网络结构的推荐算法 | 第16页 |
| 2.1.2 基于协同过滤的推荐算法 | 第16-19页 |
| 2.1.3 基于内容的推荐算法 | 第19-21页 |
| 2.1.4 基于知识的推荐算法 | 第21-22页 |
| 2.1.5 混合推荐算法 | 第22-23页 |
| 2.2 相似度计算方法 | 第23-25页 |
| 2.2.1 Pearson相关系数 | 第23-24页 |
| 2.2.2 Jaccard 相似度 | 第24页 |
| 2.2.3 余弦相似度 | 第24-25页 |
| 2.3 评估推荐系统 | 第25-28页 |
| 2.3.1 评估方法 | 第25-26页 |
| 2.3.2 预测准确度 | 第26页 |
| 2.3.3 分类准确率 | 第26-27页 |
| 2.3.4 排名准确率 | 第27-28页 |
| 2.4 大数据处理技术概述 | 第28-30页 |
| 2.4.1 大数据背景下推荐系统面临的问题 | 第28页 |
| 2.4.2 分布式计算框架的概念介绍 | 第28-29页 |
| 2.4.3 MapReduce 介绍 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 基于网络结构的推荐算法的优化 | 第31-60页 |
| 3.1 基于网络结构的推荐算法 | 第31-38页 |
| 3.1.1 基于网络结构的推荐算法的基本原理 | 第31-33页 |
| 3.1.2 基于MapReduce设计模式实现的NBI算法 | 第33-38页 |
| 3.2 基于用户的网络推荐算法 | 第38-45页 |
| 3.2.1 基于用户的网络图推荐算法的基本原理 | 第38-40页 |
| 3.2.2 基于MapReduce设计模式实现的UB-NBI算法 | 第40-45页 |
| 3.3 基于项目的网络推荐算法 | 第45-50页 |
| 3.3.1 基于项目的网络推荐算法的基本原理 | 第45-47页 |
| 3.3.2 基于MapReduce设计模式实现的IB-NBI算法 | 第47-50页 |
| 3.4 实验方案及结果分析 | 第50-58页 |
| 3.4.1 实验数据集合 | 第50-51页 |
| 3.4.2 评价标准 | 第51-52页 |
| 3.4.3 实验方案 | 第52-53页 |
| 3.4.4 实验结果分析 | 第53-58页 |
| 3.5 本章小结 | 第58-60页 |
| 4 基于网络结构的推荐系统的可扩展性问题研究 | 第60-74页 |
| 4.1 问题描述 | 第60页 |
| 4.2 基于用户最近邻的网络推荐算法 | 第60-63页 |
| 4.2.1 基于用户最近邻的网络推荐算法的原理介绍 | 第61-62页 |
| 4.2.2 基于MapReduce设计模式实现的TopN-NBI算法 | 第62-63页 |
| 4.3 基于用户相似性预测的网络推荐算法 | 第63-69页 |
| 4.3.1 网络节点链接预测算法 | 第64页 |
| 4.3.2 用户相似性预测算法 | 第64-66页 |
| 4.3.3 基于用户相似性预测的网络推荐算法的原理介绍 | 第66页 |
| 4.3.4 基于MapReduce设计模式实现的Pred-NBI算法 | 第66-69页 |
| 4.4 实验结果及分析 | 第69-73页 |
| 4.4.1 基于用户最近邻的网络推荐算法的实验结果及分析 | 第69-71页 |
| 4.4.2 基于用户相似性预测的网络推荐算法的实验结果及分析 | 第71-73页 |
| 4.5 本章小结 | 第73-74页 |
| 5 总结与展望 | 第74-76页 |
| 5.1 论文总结 | 第74-75页 |
| 5.2 研究展望 | 第75-76页 |
| 参考文献 | 第76-79页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第79-81页 |
| 学位论文数据集 | 第81页 |
