| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 推荐系统研究现状 | 第12-13页 |
| 1.2.2 大数据处理平台研究现状 | 第13-14页 |
| 1.3 论文的研究目标和主要研究内容 | 第14-15页 |
| 1.4 论文所做的主要研究工作 | 第15-16页 |
| 1.5 论文的组织结构 | 第16-17页 |
| 第二章 相关技术介绍 | 第17-30页 |
| 2.1 推荐算法 | 第17-22页 |
| 2.1.1 基于内容的推荐算法 | 第17页 |
| 2.1.2 协同过滤算法 | 第17-21页 |
| 2.1.2.1 基于用户的协同过滤推荐算法 | 第18-21页 |
| 2.1.2.2 基于项目的协同过滤推荐算法 | 第21页 |
| 2.1.3 混合推荐算法 | 第21-22页 |
| 2.2 推荐算法评价指标 | 第22-24页 |
| 2.2.1 评分估计类指标 | 第22-23页 |
| 2.2.2 推荐效果类指标 | 第23-24页 |
| 2.3 SPARK大数据处理平台 | 第24-29页 |
| 2.3.1 Spark概述 | 第24-25页 |
| 2.3.1.1 MapReduce框架的缺陷 | 第24页 |
| 2.3.1.2 Spark生态圈 | 第24-25页 |
| 2.3.2 spark-core | 第25-27页 |
| 2.3.3 spark其他模块 | 第27-29页 |
| 2.3.3.1 Spark Streaming | 第27-28页 |
| 2.3.2.2 GraphX | 第28-29页 |
| 2.3.3.3 MLLib | 第29页 |
| 2.3.3.4 SparkSQL | 第29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 隐语义模型推荐算法及大数据环境下的改进 | 第30-43页 |
| 3.1 隐语义模型 | 第30-33页 |
| 3.1.1 奇异矩阵分解模型 | 第30-32页 |
| 3.1.2 隐语义模型 | 第32-33页 |
| 3.2 函数梯度下降 | 第33-37页 |
| 3.2.1 参数最优化 | 第33-34页 |
| 3.2.2 梯度下降方法 | 第34-35页 |
| 3.2.3 函数空间梯度下降 | 第35-37页 |
| 3.3 基于函数空间梯度提升的隐语义模型推荐算法 | 第37-42页 |
| 3.3.1 问题描述 | 第37-38页 |
| 3.3.2 算法描述 | 第38-39页 |
| 3.3.3 算法设计 | 第39-41页 |
| 3.3.4 算法时间复杂度分析 | 第41-42页 |
| 3.4 章节小结 | 第42-43页 |
| 第四章 基于函数空间梯度提升的隐语义模型推荐算法FGBLFM的分布式实现 | 第43-59页 |
| 4.1 FGBLFM算法功能模块 | 第43-45页 |
| 4.2 数据预处理模块 | 第45-46页 |
| 4.3 模型训练模块 | 第46-55页 |
| 4.3.1 InBlocks、OutBlocks信息构造 | 第47-50页 |
| 4.3.2 LFM训练 | 第50-54页 |
| 4.3.2.1 最小二乘问题构造 | 第51-53页 |
| 4.3.2.2 最小二乘问题求解 | 第53-54页 |
| 4.3.3 InBlocks信息更新 | 第54-55页 |
| 4.3.4 分布式FGBLFM训练算法 | 第55页 |
| 4.4 生成推荐 | 第55-58页 |
| 4.4.1 为用户推荐项目 | 第55-57页 |
| 4.4.2 为项目推荐用户 | 第57-58页 |
| 4.5 模型保存 | 第58页 |
| 4.6 本章小结 | 第58-59页 |
| 第五章 实验设计与分析 | 第59-67页 |
| 5.1 实验数据 | 第59-63页 |
| 5.1.1 实验数据简介 | 第59页 |
| 5.1.2 实验数据统计分析 | 第59-63页 |
| 5.2 实验设计 | 第63页 |
| 5.3 实验结果与分析 | 第63-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第六章 结论 | 第67-69页 |
| 6.1 研究工作总结 | 第67-68页 |
| 6.2 今后研究工作展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间取得的研究成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 附表 | 第75页 |