| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 个性化推荐的发展 | 第11-12页 |
| 1.2.2 基于协同过滤的推荐 | 第12-13页 |
| 1.2.3 分布式并行计算 | 第13-15页 |
| 1.3 本文的主要贡献 | 第15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 相关研究技术概述 | 第17-27页 |
| 2.1 协同过滤算法 | 第17-25页 |
| 2.1.1 基于内存的协同过滤 | 第17-20页 |
| 2.1.2 基于模型的协同过滤 | 第20-25页 |
| 2.2 分布式机器学习算法 | 第25-26页 |
| 2.2.1 基于Hadoop平台的逻辑回归算法 | 第25页 |
| 2.2.2 基于GraphX平台的Pure-SVD算法 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 引入可见度的改进版Climf算法 | 第27-39页 |
| 3.1 手机应用推荐场景分析 | 第27页 |
| 3.2 榜单引导效应分析 | 第27-29页 |
| 3.3 推荐算法的选择 | 第29页 |
| 3.4 手机应用可见度 | 第29-30页 |
| 3.5 计算热门应用可见度 | 第30-34页 |
| 3.6 优化后的Climf算法 | 第34-36页 |
| 3.7 推荐结果的生成 | 第36-38页 |
| 3.8 本章小结 | 第38-39页 |
| 第4章 Climf算法的分布式实现 | 第39-52页 |
| 4.1 分布式计算平台 | 第39-40页 |
| 4.2 数据定义 | 第40-41页 |
| 4.3 参数更新 | 第41-44页 |
| 4.4 计算评价指标 | 第44-45页 |
| 4.5 改进版Climf算法的分布式实现 | 第45-46页 |
| 4.6 算法伪代码 | 第46-47页 |
| 4.7 算法复杂度分析 | 第47-49页 |
| 4.8 算法优化 | 第49-51页 |
| 4.9 本章小结 | 第51-52页 |
| 第5章 实验 | 第52-69页 |
| 5.1 实验内容 | 第52页 |
| 5.2 实验数据 | 第52-56页 |
| 5.3 实验设计 | 第56页 |
| 5.4 评价指标 | 第56-57页 |
| 5.5 参数设定 | 第57-58页 |
| 5.6 实验结果及分析 | 第58-68页 |
| 5.7 本章小结 | 第68-69页 |
| 第6章 总结和展望 | 第69-71页 |
| 6.1 本文总结 | 第69页 |
| 6.2 未来展望 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 致谢 | 第74页 |