基于改进受限玻尔兹曼机推荐算法的分布式实现
| 中文摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景 | 第8-10页 |
| 1.2 推荐算法研究现状 | 第10-11页 |
| 1.3 本文主要工作 | 第11-12页 |
| 1.4 论文组织机构 | 第12-13页 |
| 第二章 相关技术和理论综述 | 第13-29页 |
| 2.1 现今流行的推荐算法 | 第13-21页 |
| 2.1.1 基于内容的推荐算法 | 第13-15页 |
| 2.1.2 协同过滤推荐算法 | 第15-21页 |
| 2.2 Hadoop分布式平台 | 第21-28页 |
| 2.2.1 HDFS | 第22-26页 |
| 2.2.2 MapReduce | 第26-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 受限玻尔兹曼机改进与应用 | 第29-45页 |
| 3.1 玻尔兹曼机 | 第29-30页 |
| 3.2 受限玻尔兹曼机 | 第30-32页 |
| 3.3 受限玻尔兹曼机的改进 | 第32-34页 |
| 3.3.1 受限玻尔兹曼机优缺点 | 第32-33页 |
| 3.3.2 改进的受限玻尔兹曼机 | 第33-34页 |
| 3.4 改进的RBM在推荐系统中的应用 | 第34-36页 |
| 3.4.1 传统RBM应用于推荐系统 | 第34-36页 |
| 3.4.2 改进RBM应用于推荐系统 | 第36页 |
| 3.5 实验分析 | 第36-44页 |
| 3.5.1 实验数据 | 第36-39页 |
| 3.5.2 评估方法 | 第39-40页 |
| 3.5.3 RBM隐含层节点数对算法影响 | 第40-41页 |
| 3.5.4 增加冲量的RBM算法效率对比试验 | 第41-43页 |
| 3.5.5 隐含层节点和冲量相互作用探究实验 | 第43-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 受限玻尔兹曼机的分布式实现 | 第45-54页 |
| 4.1 受限玻尔兹曼机并行算法设计 | 第45-47页 |
| 4.1.1 MapReduce框架 | 第45-46页 |
| 4.1.2 并行算法设计 | 第46-47页 |
| 4.2 并行算法实现 | 第47-49页 |
| 4.2.1 训练过程 | 第47-48页 |
| 4.2.2 测试过程 | 第48-49页 |
| 4.3 实验结果及分析 | 第49-53页 |
| 4.3.1 实验数据 | 第49页 |
| 4.3.2 实验环境 | 第49-50页 |
| 4.3.3 训练时间对比实验 | 第50-52页 |
| 4.3.4 预测准确度对比实验 | 第52页 |
| 4.3.5 改进的RBM算法并行化加速比实验 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 本文总结 | 第54-55页 |
| 5.2 未来工作的展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 研究生期间研究成果 | 第60-61页 |
| 致谢 | 第61页 |
