| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-11页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 论文组织结构 | 第10页 |
| 1.4 本章小结 | 第10-11页 |
| 第2章 相关技术概述 | 第11-22页 |
| 2.1 个性化推荐 | 第11-15页 |
| 2.1.1 个性化推荐概述 | 第11页 |
| 2.1.2 个性化推荐系统模块 | 第11-15页 |
| 2.2 Hadoop分布式计算平台 | 第15-21页 |
| 2.2.1 分布式文件系统HDFS | 第16-17页 |
| 2.2.2 分布式编程模型MapReduce | 第17-19页 |
| 2.2.3 Hadoop分布式集群搭建 | 第19-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第3章 基于邻域的协同过滤算法 | 第22-32页 |
| 3.1 引言 | 第22页 |
| 3.2 基于用户的协同过滤推荐算法 | 第22-24页 |
| 3.2.1 UserCF推荐算法理论 | 第22-23页 |
| 3.2.2 UserCF推荐算法改进 | 第23-24页 |
| 3.2.3 基于Hadoop的分布式UserCF推荐算法 | 第24页 |
| 3.3 基于项目的协同过滤推荐算法 | 第24-26页 |
| 3.3.1 ItemCF推荐算法理论 | 第24-25页 |
| 3.3.2 ItemCF推荐算法改进 | 第25-26页 |
| 3.3.3 基于Hadoop的分布式ItemCF推荐算法 | 第26页 |
| 3.4 实验设计与分析 | 第26-31页 |
| 3.4.1 实验环境与实验数据 | 第26页 |
| 3.4.2 实验评价指标 | 第26-27页 |
| 3.4.3 实验结果及分析 | 第27-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第4章 基于模型的协同过滤算法 | 第32-44页 |
| 4.1 引言 | 第32-33页 |
| 4.2 相关理论介绍 | 第33-35页 |
| 4.2.1 Canopy聚类算法 | 第33-34页 |
| 4.2.2 K-Means聚类算法 | 第34-35页 |
| 4.3 数据预处理 | 第35-36页 |
| 4.4 基于用户聚类的协同过滤算法 | 第36-37页 |
| 4.4.1 基于Hadoop的UserCK-Means聚类算法 | 第36-37页 |
| 4.4.2 基于Hadoop的UserModel-CF推荐算法 | 第37页 |
| 4.5 基于项目聚类的协同过滤算法 | 第37-39页 |
| 4.5.1 基于Hadoop的ItemCK-Means聚类算法 | 第37-38页 |
| 4.5.2 基于Hadoop的ItemModel-CF推荐算法 | 第38-39页 |
| 4.6 实验结果与分析 | 第39-43页 |
| 4.6.1 实验环境与数据 | 第39页 |
| 4.6.2 实验评价指标 | 第39-40页 |
| 4.6.3 实验结果分析 | 第40-43页 |
| 4.7 本章小结 | 第43-44页 |
| 第5章 总结与展望 | 第44-46页 |
| 5.1 总结 | 第44页 |
| 5.2 展望 | 第44-46页 |
| 参考文献 | 第46-49页 |
| 在读期间发表的学术论文及研究成果 | 第49-50页 |
| 致谢 | 第50页 |
