| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 推荐系统简介 | 第12页 |
| 1.2 智能推荐系统的发展历程与现状 | 第12-14页 |
| 1.3 主要创新点和内容安排 | 第14-16页 |
| 第二章 协同过滤的基本思想和原理 | 第16-26页 |
| 2.1 协同过滤的基本概念 | 第16页 |
| 2.2 协同过滤的数学原理 | 第16-25页 |
| 2.2.1 用户-物品评分矩阵 | 第16-17页 |
| 2.2.2 两种推荐模式简介 | 第17-19页 |
| 2.2.3 相似度的计算 | 第19-22页 |
| 2.2.4 获得邻居 | 第22-24页 |
| 2.2.5 做出推荐 | 第24-25页 |
| 2.3 协同过滤存在的优缺点 | 第25-26页 |
| 第三章 协同过滤推荐的程序实现 | 第26-40页 |
| 3.1 开发环境简介 | 第26页 |
| 3.2 Mahout简介 | 第26-28页 |
| 3.3 协同过滤的程序实现 | 第28-40页 |
| 3.3.1 原始数据 | 第28-29页 |
| 3.3.2 数据结构 | 第29-30页 |
| 3.3.3 相似度的计算 | 第30-35页 |
| 3.3.4 做出推荐 | 第35-38页 |
| 3.3.5 小结 | 第38-40页 |
| 第四章 推荐算法性能比较 | 第40-45页 |
| 4.1 算法评价方法 | 第40页 |
| 4.2 确定评价指标 | 第40-41页 |
| 4.3 算法性能比较 | 第41-45页 |
| 第五章 协同过滤算法的改进 | 第45-55页 |
| 5.1 Item的标签相似性分析 | 第45-48页 |
| 5.1.1 Item的多标签性 | 第45-46页 |
| 5.1.2 标签相似性的计算 | 第46-47页 |
| 5.1.3 Item的标签相似性对推荐性能提升的分析 | 第47-48页 |
| 5.2 I-ST-CF算法设计与分析 | 第48-50页 |
| 5.2.1 I-ST-CF算法设计 | 第48-50页 |
| 5.2.2 I-ST-CF算法分析 | 第50页 |
| 5.3 实验验证 | 第50-55页 |
| 第六章 基于Hadoop实现推荐的分布式计算 | 第55-75页 |
| 6.1 Hadoop分布式系统概述 | 第55-58页 |
| 6.1.1 实现分布式计算的必要性 | 第55页 |
| 6.1.2 Hadoop分布式框架的优越性 | 第55-58页 |
| 6.1.3 Hadoop分布式系统版本概述 | 第58页 |
| 6.2 Hadoop分布式系统架构详解 | 第58-65页 |
| 6.2.1 HDFS文件系统 | 第59-60页 |
| 6.2.2 MapReduce计算模式 | 第60-63页 |
| 6.2.3 Hadoop典型应用场景描述 | 第63-65页 |
| 6.3 Hadoop实现分布式的I-ST-CF算法 | 第65-69页 |
| 6.4 实验验证 | 第69-75页 |
| 6.4.1 实验设计 | 第69-70页 |
| 6.4.2 实验结果 | 第70-75页 |
| 第七章 总结与展望 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 致谢 | 第81-82页 |
| 附件 | 第82页 |