| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文的主要结构 | 第13-14页 |
| 1.4 本章小结 | 第14-15页 |
| 第2章 相关技术和理论 | 第15-29页 |
| 2.1 Spark分布式计算框架 | 第15-19页 |
| 2.1.1 Spark框架简介 | 第15-16页 |
| 2.1.2 Spark的系统架构 | 第16-17页 |
| 2.1.3 弹性分布式数据集RDD | 第17-19页 |
| 2.2 基于内存的CF算法 | 第19-23页 |
| 2.2.1 基于用户的CF算法 | 第19-22页 |
| 2.2.2 基于项目的CF算法 | 第22-23页 |
| 2.3 基于模型的CF算法 | 第23-27页 |
| 2.3.1 基于矩阵分解的CF算法 | 第24-26页 |
| 2.3.2 基于K-means聚类的CF算法 | 第26-27页 |
| 2.4 CF算法的缺陷 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于矩阵分解和聚类的CF算法 | 第29-41页 |
| 3.1 算法优化背景 | 第29-30页 |
| 3.2 基于矩阵分解和聚类的CF算法 | 第30-34页 |
| 3.2.1 ALS矩阵分解算法 | 第30-31页 |
| 3.2.2 改进的K-means聚类算法 | 第31-32页 |
| 3.2.3 基于ALS和改进K-means的CF算法 | 第32-34页 |
| 3.3 实现结果与分析 | 第34-40页 |
| 3.3.1 数据集介绍 | 第34-36页 |
| 3.3.2 实验环境 | 第36页 |
| 3.3.3 实验评测标准 | 第36-38页 |
| 3.3.4 实验方案 | 第38页 |
| 3.3.5 实验结果及分析 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于Spark的协同过滤并行化实现 | 第41-49页 |
| 4.1 矩阵分解的并行化实现 | 第41-43页 |
| 4.2 聚类模型的并行化实现 | 第43-44页 |
| 4.3 实验结果与分析 | 第44-48页 |
| 4.3.1 前期准备 | 第44-45页 |
| 4.3.2 实验方案 | 第45页 |
| 4.3.3 实验结果与分析 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-52页 |
| 5.1 工作总结 | 第49-50页 |
| 5.2 工作展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 作者简介及在学期间所取得的科研成果 | 第56-57页 |
| 致谢 | 第57页 |