基于Hadoop的新闻推荐系统关键技术的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文的研究内容 | 第12-13页 |
| 1.4 本文的结构组织 | 第13-14页 |
| 第二章 新闻推荐系统综述 | 第14-30页 |
| 2.1 新闻推荐系统简介 | 第14-15页 |
| 2.2 相关技术 | 第15-18页 |
| 2.2.1 Hadoop分布式系统介绍 | 第15-16页 |
| 2.2.2 Mahout推荐引擎 | 第16-18页 |
| 2.3 新闻推荐算法介绍 | 第18-27页 |
| 2.3.1 协同过滤推荐算法 | 第18-25页 |
| 2.3.2 其他主要推荐算法 | 第25-26页 |
| 2.3.3 混合推荐算法 | 第26-27页 |
| 2.4 新闻推荐系统问题研究 | 第27-29页 |
| 2.4.1 数据稀疏性与冷启动问题 | 第27-28页 |
| 2.4.2 可扩展性问题 | 第28-29页 |
| 2.5 新闻推荐系统的评测指标 | 第29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 系统需求分析与设计 | 第30-39页 |
| 3.1 系统需求分析 | 第30-31页 |
| 3.1.1 功能分析 | 第30页 |
| 3.1.2 开发环境 | 第30-31页 |
| 3.2 数据集与数据预处理 | 第31-33页 |
| 3.3 系统总体设计 | 第33-38页 |
| 3.3.1 系统总体架构 | 第33-35页 |
| 3.3.2 模块设计 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于用户社交网络的最短距离聚类算法 | 第39-46页 |
| 4.1 引言 | 第39-40页 |
| 4.2 算法概述 | 第40-42页 |
| 4.2.1 社交网络模型介绍 | 第40页 |
| 4.2.2 SDCA算法的基本定义 | 第40-41页 |
| 4.2.3 SDCA算法的流程 | 第41-42页 |
| 4.3 实验分析 | 第42-45页 |
| 4.3.1 实验数据集 | 第42-43页 |
| 4.3.2 实验结果与分析 | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 个性化新闻推荐系统的实现 | 第46-53页 |
| 5.1 系统的实现 | 第46-51页 |
| 5.1.1 用户聚类实现 | 第46-47页 |
| 5.1.2 登录页面实现 | 第47-48页 |
| 5.1.3 数据库实现 | 第48-50页 |
| 5.1.4 Hadoop集群搭建 | 第50页 |
| 5.1.5 推荐结果展示 | 第50-51页 |
| 5.2 推荐结果评测 | 第51-52页 |
| 5.3 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 工作总结 | 第53页 |
| 6.2 工作展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 发表论文和科研情况 | 第58-59页 |
| 致谢 | 第59页 |
