| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 课题任务 | 第13-14页 |
| 1.4 研究生期间完成的工作 | 第14-15页 |
| 1.5 论文结构 | 第15-18页 |
| 第二章 推荐系统及其相关技术 | 第18-26页 |
| 2.1 推荐系统概述 | 第18-19页 |
| 2.2 推荐算法 | 第19-24页 |
| 2.2.1 基于内容的推荐算法 | 第19-20页 |
| 2.2.2 基于协同过滤的推荐算法 | 第20-22页 |
| 2.2.3 基于关联规则的推荐算法 | 第22-23页 |
| 2.2.4 混合推荐算法 | 第23-24页 |
| 2.3 推荐算法比较 | 第24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 移动互联网环境下的推荐算法研究 | 第26-40页 |
| 3.1 移动互联网环境下协同过滤推荐算法及问题研究 | 第26-28页 |
| 3.1.1 数据模型 | 第26页 |
| 3.1.2 相似性计算方法 | 第26-27页 |
| 3.1.3 移动互联网环境下协同过滤算法向题研究 | 第27-28页 |
| 3.2 位置上下文信息 | 第28-30页 |
| 3.2.1 位置上下文信息分析 | 第28-29页 |
| 3.2.2 位置衰减函数的定义 | 第29-30页 |
| 3.3 移动互联网环境下推荐算法改进 | 第30-33页 |
| 3.3.1 基于位置信息的相似性度量定义 | 第30-31页 |
| 3.3.2 基于位置信息的推荐算法设计 | 第31-33页 |
| 3.4 仿真实验及分析 | 第33-38页 |
| 3.4.1 实验数据集 | 第34-35页 |
| 3.4.2 实验度量标准 | 第35-36页 |
| 3.4.3 实验结果分析 | 第36-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第四章 基于并行化k-medoids的推荐算法研究 | 第40-50页 |
| 4.1 大数据环境下协同过滤推荐算法及问题研究 | 第40-42页 |
| 4.1.1 大数据对电子商务的影响 | 第40-41页 |
| 4.1.2 大数据环境下协同过滤推荐算法问题研究 | 第41-42页 |
| 4.2 大数据环境下k-medoids聚类算法的改进 | 第42-45页 |
| 4.2.1 传统的k-medoids聚类算法 | 第42-43页 |
| 4.2.2 基于MapReduce并行化的k-medoids聚类算法 | 第43-45页 |
| 4.3 基于并行化k-medoids推荐算法改进 | 第45-47页 |
| 4.3.1 基于并行化k-medoids推荐算法的改进原则 | 第45-46页 |
| 4.3.2 基于并行化k-medoids推荐算法的具体实现 | 第46-47页 |
| 4.4 仿真实验及分析 | 第47-49页 |
| 4.4.1 实验环境及实验数据集 | 第47页 |
| 4.4.2 实验度量标准 | 第47页 |
| 4.4.3 实验结果分析 | 第47-49页 |
| 4.5 本章总结 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 论文总结 | 第50-51页 |
| 5.2 进一步的研究工作 | 第51-52页 |
| 参考文献 | 第52-58页 |
| 致谢 | 第58-60页 |
| 作者攻读学位期间发表的学术论文目录 | 第60页 |
