基于Storm的微博实时推荐系统的设计与实现
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 主要工作及创新点 | 第13-14页 |
| 1.4 论文结构 | 第14-15页 |
| 第二章 系统相关技术概述 | 第15-26页 |
| 2.1 HADOOP简介 | 第15-18页 |
| 2.1.1 Hadoop生态系统简介 | 第15-16页 |
| 2.1.2 MapReduce简介 | 第16-17页 |
| 2.1.3 HDFS简介 | 第17-18页 |
| 2.2 STORM简介 | 第18-20页 |
| 2.2.1 Storm的核心概念 | 第19页 |
| 2.2.2 Storm中的流分组机制 | 第19-20页 |
| 2.2.3 Storm与Hadoop的比较 | 第20页 |
| 2.3 KAFKA分布式发布订阅消息系统 | 第20-21页 |
| 2.3.1 Kafka的基本术语和概念 | 第21页 |
| 2.3.2 一些常用消息队列的介绍 | 第21页 |
| 2.4 滑动窗口模型与TF-IDF算法 | 第21-23页 |
| 2.4.1 滑动窗口模型 | 第22-23页 |
| 2.4.2 TF-IDF算法 | 第23页 |
| 2.5 其他相关内容介绍 | 第23-25页 |
| 2.5.1 牛顿冷却定律 | 第23-24页 |
| 2.5.2 中文分词技术 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 微博实时推荐系统的概要设计 | 第26-36页 |
| 3.1 微博实时推荐系统需求分析 | 第26-28页 |
| 3.2 微博实时推荐系统的架构设计 | 第28-34页 |
| 3.2.1 数据采集子系统 | 第29-30页 |
| 3.2.2 数据离线处理子系统 | 第30-31页 |
| 3.2.3 数据实时处理子系统 | 第31-32页 |
| 3.2.4 数据存储子系统 | 第32-34页 |
| 3.2.5 数据展示子系统 | 第34页 |
| 3.3 本章小结 | 第34-36页 |
| 第四章 微博实时推荐系统的详细设计与实现 | 第36-58页 |
| 4.1 数据采集子系统的实现 | 第36-37页 |
| 4.1.1 新浪微博API | 第36-37页 |
| 4.1.2 网络爬虫的实现 | 第37页 |
| 4.2 数据储存子系统的实现 | 第37-40页 |
| 4.2.1 HBase中数据的存储结构 | 第38-39页 |
| 4.2.2 MySQL中数据的存储结构 | 第39-40页 |
| 4.3 数据离线处理子系统的实现 | 第40-42页 |
| 4.3.1 TF-FF算法 | 第40-41页 |
| 4.3.2 用户兴趣向量的计算 | 第41-42页 |
| 4.4 数据实时处理子系统的实现 | 第42-50页 |
| 4.4.1 热门关键词计算模块的实现 | 第42-46页 |
| 4.4.2 用户兴趣模型实时更新模块的实现 | 第46-48页 |
| 4.4.3 实时微博推荐模块的实现 | 第48-50页 |
| 4.5 数据展示子系统的实现 | 第50-57页 |
| 4.5.1 用户管理模块的实现 | 第51-53页 |
| 4.5.2 热门关键词推荐模块的实现 | 第53-55页 |
| 4.5.3 微博推荐模块的实现 | 第55-56页 |
| 4.5.4 用户日志采集模块的实现 | 第56-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 测试与验证 | 第58-70页 |
| 5.1 系统的部署 | 第58-62页 |
| 5.1.1 测试环境介绍 | 第58-59页 |
| 5.1.2 软件环境的搭建与测试 | 第59-61页 |
| 5.1.3 系统服务的部署 | 第61-62页 |
| 5.2 系统测试与结果分析 | 第62-69页 |
| 5.2.1 微博数据抓取的验证 | 第62-63页 |
| 5.2.2 关键词提取的验证 | 第63页 |
| 5.2.3 热门关键词推荐的验证 | 第63-65页 |
| 5.2.4 用户兴趣向量算法的比较 | 第65-67页 |
| 5.2.5 实时微博推荐的验证 | 第67-69页 |
| 5.3 本章小结 | 第69-70页 |
| 第六章 结束语 | 第70-72页 |
| 6.1 论文工作总结 | 第70-71页 |
| 6.2 问题与展望 | 第71-72页 |
| 参考文献 | 第72-74页 |
| 致谢 | 第74页 |
