| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1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 推荐算法的研究现状 | 第12-13页 |
| 1.2.2 并行计算框架的研究现状 | 第13-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第2章 协同过滤算法以及Spark框架 | 第17-30页 |
| 2.1 协同过滤推荐算法 | 第17-21页 |
| 2.1.1 协同过滤算法分类及其原理 | 第17-20页 |
| 2.1.1.1 基于用户的协同过滤算法 | 第17-18页 |
| 2.1.1.2 基于项目的协同过滤算法 | 第18-20页 |
| 2.1.1.3 基于模型的协同过滤算法 | 第20页 |
| 2.1.2 协同过滤算法评价标准 | 第20-21页 |
| 2.2 Spark并行计算框架 | 第21-29页 |
| 2.2.1 传统并行计算架构 | 第21-22页 |
| 2.2.2 Spark并行计算架构 | 第22-24页 |
| 2.2.2.1 Spark并行计算的特点 | 第22-23页 |
| 2.2.2.2 Spark并行框架组件 | 第23-24页 |
| 2.2.2.3 Spark并行计算工作原理 | 第24页 |
| 2.2.3 弹性分布式数据集RDD | 第24-27页 |
| 2.2.3.1 RDD分区原理 | 第24-26页 |
| 2.2.3.2 RDD的特性 | 第26-27页 |
| 2.2.4 Spark生态系统 | 第27-29页 |
| 2.3 本章小节 | 第29-30页 |
| 第3章 结合LDA主题模型的推荐算法 | 第30-43页 |
| 3.1 传统协同过滤算法存在的问题 | 第30页 |
| 3.2 ALS算法 | 第30-32页 |
| 3.3 LDA主题模型 | 第32-34页 |
| 3.3.1 主题模型概念 | 第32页 |
| 3.3.2 LDA主题模型 | 第32-34页 |
| 3.4 改进算法 | 第34-39页 |
| 3.4.1 文件处理及主题分部计算 | 第35-36页 |
| 3.4.2 项目相似度矩阵求解 | 第36-38页 |
| 3.4.3 预评分求解及填充 | 第38-39页 |
| 3.4.4 矩阵分解及推荐 | 第39页 |
| 3.5 实验仿真 | 第39-41页 |
| 3.5.1 改进算法对比ALS算法 | 第39-41页 |
| 3.5.2 改进算法对比其他推荐算法 | 第41页 |
| 3.6 实验结果分析 | 第41-42页 |
| 3.7 本章小节 | 第42-43页 |
| 第4章 结合LDA主题模型的并行推荐算法 | 第43-60页 |
| 4.1 串行算法的问题 | 第43页 |
| 4.2 SparkLDA和SparkALS算法并行化原理 | 第43-49页 |
| 4.2.1 SparkLDA算法 | 第43-46页 |
| 4.2.2 SparkALS算法 | 第46-49页 |
| 4.3 基于主题模型的并行推荐算法 | 第49-54页 |
| 4.3.1 文件处理及文档-主题分布 | 第49-51页 |
| 4.3.2 项目相似度RDD | 第51-52页 |
| 4.3.3 预评分并行求解 | 第52-53页 |
| 4.3.4 矩阵分解并行训练及推荐 | 第53-54页 |
| 4.4 并行算法实验仿真 | 第54-58页 |
| 4.4.1 实验数据集 | 第54页 |
| 4.4.2 实验环境搭建 | 第54-56页 |
| 4.4.3 实验设计 | 第56-58页 |
| 4.5 结果分析 | 第58-59页 |
| 4.6 本章小节 | 第59-60页 |
| 总结与展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表论文 | 第66页 |