| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-11页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 课题背景和研究内容 | 第9-10页 |
| 1.3.1 课题背景 | 第9-10页 |
| 1.3.2 研究内容 | 第10页 |
| 1.4 论文组织结构 | 第10-11页 |
| 2 基本理论与相关技术 | 第11-30页 |
| 2.1 推荐引擎技术 | 第11-15页 |
| 2.1.1 推荐引擎概要介绍 | 第11-12页 |
| 2.1.2 推荐引擎技术的分类 | 第12-14页 |
| 2.1.3 推荐引擎技术现存问题 | 第14-15页 |
| 2.2 协同过滤和相似度算法 | 第15-21页 |
| 2.2.1 基于用户的协同过滤推荐 | 第15-16页 |
| 2.2.2 基于物品的协同过滤推荐 | 第16-17页 |
| 2.2.3 Slope One算法 | 第17-19页 |
| 2.2.4 相似度算法 | 第19-21页 |
| 2.3 Spark分布式平台 | 第21-29页 |
| 2.3.1 Spark概述 | 第22页 |
| 2.3.2 弹性分布式数据集 | 第22-24页 |
| 2.3.3 Spark编程模型和运行架构 | 第24-26页 |
| 2.3.4 Spark MLlib机器学习 | 第26-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 Slope One算法的改进和并行化实现 | 第30-46页 |
| 3.1 Slope One算法及其改进策略 | 第30-34页 |
| 3.1.1 问题描述 | 第30页 |
| 3.1.2 算法描述 | 第30-32页 |
| 3.1.3 算法设计 | 第32-34页 |
| 3.2 基于物品和Slope One算法的并行化实现 | 第34-45页 |
| 3.2.1 对数似然相似度算法的并行化实现 | 第34-36页 |
| 3.2.2 Slope One算法的并行化实现 | 第36-39页 |
| 3.2.3 改进的协同过滤算法的并行化实现 | 第39-45页 |
| 3.3 本章小结 | 第45-46页 |
| 4 实验设计与结果分析 | 第46-55页 |
| 4.1 实验环境 | 第46-47页 |
| 4.1.1 软硬件环境 | 第46页 |
| 4.1.2 实验数据集 | 第46-47页 |
| 4.2 评价标准 | 第47-48页 |
| 4.2.1 评分预测的准确度 | 第47-48页 |
| 4.2.2 准确率和召回率 | 第48页 |
| 4.3 实验设计 | 第48-49页 |
| 4.4 实验结果分析 | 第49-54页 |
| 4.4.1 不同节点数目和不同平台的运行效率分析 | 第49-51页 |
| 4.4.2 不同大小的数据集的运行结果分析 | 第51-52页 |
| 4.4.3 不同比例的训练集和测试集的运行结果分析 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 5 总结与展望 | 第55-57页 |
| 5.1 工作总结 | 第55页 |
| 5.2 工作展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录 | 第62页 |