| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第8-11页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 超网络模型研究现状 | 第9页 |
| 1.3 研究内容 | 第9-10页 |
| 1.4 本文的内容组织 | 第10-11页 |
| 第2章 相关技术研究综述 | 第11-31页 |
| 2.1 推荐系统 | 第11-18页 |
| 2.1.1 概念及定义 | 第11页 |
| 2.1.2 推荐系统的测评指标 | 第11-15页 |
| 2.1.3 推荐系统的实验方法 | 第15-18页 |
| 2.1.4 推荐系统的测评维度 | 第18页 |
| 2.2 超网络模型 | 第18-21页 |
| 2.2.1 超图的定义 | 第18-19页 |
| 2.2.2 超网络分类器 | 第19-20页 |
| 2.2.3 超网络的演化学习 | 第20-21页 |
| 2.3 hadoop平台 | 第21-30页 |
| 2.3.1 Mapreduce编程模型 | 第22-24页 |
| 2.3.2 HDFS分布式文件系统 | 第24-28页 |
| 2.3.3 Hadoop MapReduceV2(Yarn) 框架 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于超网络模型的推荐系统 | 第31-42页 |
| 3.1 常见的评分预测算法模型 | 第31-33页 |
| 3.2 基于超网络模型的推荐系统 | 第33-35页 |
| 3.2.1 用于评分预测的超网络分类器 | 第34页 |
| 3.2.2 用于评分预测问题的超网络演化学习 | 第34-35页 |
| 3.3 基于java线程池技术的并发超网络模型 | 第35-38页 |
| 3.3.1 用于评分预测的超网络分类器 | 第35-36页 |
| 3.3.2 基于java的线程池技术 | 第36-37页 |
| 3.3.3 基于线程池的并发超网络模型 | 第37-38页 |
| 3.4 实验结果与分析 | 第38-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于hadoop平台的并行超网络模型 | 第42-50页 |
| 4.1 并行超网络模型的演化学习 | 第42-45页 |
| 4.2 并行超网络分类器 | 第45-47页 |
| 4.3 MovieLens实验结果与分析 | 第47页 |
| 4.4 顾客满意度鉴别实验结果与分析 | 第47-48页 |
| 4.5 本章小结 | 第48-50页 |
| 第5章 总结与展望 | 第50-51页 |
| 5.1 工作总结 | 第50页 |
| 5.2 下一步的工作 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第56页 |