| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 引言 | 第8-9页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.3 论文主要研究内容 | 第14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第2章 推荐系统基本原理及算法 | 第16-23页 |
| 2.1 推荐系统介绍 | 第16-17页 |
| 2.2 常用的推荐算法 | 第17-21页 |
| 2.3 Mahout中的推荐算法 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于Hadoop的推荐系统架构设计 | 第23-35页 |
| 3.1 Hadoop平台及其核心组件 | 第23-27页 |
| 3.1.1 HDFS分布式文件系统 | 第24-25页 |
| 3.1.2 MapReduce编程模型 | 第25-27页 |
| 3.2 推荐系统架构设计 | 第27-29页 |
| 3.3 数据收集和存储模块 | 第29-30页 |
| 3.4 数据分析及建模模块 | 第30-32页 |
| 3.5 推荐模块 | 第32-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第4章 基于Hadoop的推荐算法研究及改进 | 第35-54页 |
| 4.1 协同过滤推荐算法 | 第35-39页 |
| 4.1.1 基于用户的协同过滤算法 | 第35-37页 |
| 4.1.2 基于项目的协同过滤算法 | 第37-39页 |
| 4.2 用Mahout实现协同过滤推荐算法 | 第39-40页 |
| 4.3 Slope One算法 | 第40-42页 |
| 4.3.1 传统Slope One算法 | 第40-41页 |
| 4.3.2 用户评分数量加权改进Slope One算法 | 第41-42页 |
| 4.4 Slope One算法的MapReduce实现 | 第42-48页 |
| 4.5 Slope One算法改进 | 第48-49页 |
| 4.6 改进Slope One算法的MapReduce实现 | 第49-53页 |
| 4.7 本章小结 | 第53-54页 |
| 第5章 KS-Slope One算法实验与结果分析 | 第54-61页 |
| 5.1 实验方法 | 第54-55页 |
| 5.2 算法性能评测指标 | 第55-56页 |
| 5.3 实验环境 | 第56-57页 |
| 5.3.1 实验软硬件环境 | 第56-57页 |
| 5.3.2 实验数据集 | 第57页 |
| 5.4 实验结果及分析 | 第57-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第6章 Movie Lens数据集上的推荐实现 | 第61-67页 |
| 6.1 数据准备 | 第61-63页 |
| 6.2 数据处理 | 第63-65页 |
| 6.3 推荐结果展示 | 第65-66页 |
| 6.4 本章小结 | 第66-67页 |
| 结论 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 致谢 | 第71-72页 |
| 导师简介 | 第72-73页 |
| 作者简介 | 第73-74页 |
| 学位论文数据集 | 第74页 |
