| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-20页 |
| 1.1 研究目的及意义 | 第12-13页 |
| 1.2 国内外发展现状 | 第13-18页 |
| 1.2.1 国内外电商发展现状 | 第13-16页 |
| 1.2.2 国内外大数据及深度学习发展现状 | 第16-18页 |
| 1.3 主要工作内容 | 第18页 |
| 1.4 论文结构安排 | 第18-20页 |
| 2 关键技术及算法概述 | 第20-30页 |
| 2.1 Hadoop平台及组件 | 第20-25页 |
| 2.1.1 HDFS | 第20-22页 |
| 2.1.2 Hive | 第22-23页 |
| 2.1.3 Kafka | 第23-24页 |
| 2.1.4 Spark | 第24-25页 |
| 2.2 深度学习 | 第25-28页 |
| 2.2.1 长短时记忆网络 | 第26-27页 |
| 2.2.2 生成式对抗网络 | 第27-28页 |
| 2.3 本章小结 | 第28-30页 |
| 3 电商个性化推荐系统的需求分析与架构设计 | 第30-42页 |
| 3.1 电商平台页面分析 | 第30-33页 |
| 3.1.1 主页面分析 | 第30-31页 |
| 3.1.2 商品搜索页分析 | 第31-32页 |
| 3.1.3 商品详情页分析 | 第32-33页 |
| 3.2 推荐算法数据库结构设计 | 第33-38页 |
| 3.2.1 相关表结构设计 | 第33-37页 |
| 3.2.2 物理模型 | 第37-38页 |
| 3.3 推荐算法流程设计 | 第38-40页 |
| 3.3.1 传统推荐算法流程设计 | 第39-40页 |
| 3.3.2 深度学习推荐算法流程设计 | 第40页 |
| 3.4 本章小结 | 第40-42页 |
| 4 深度学习推荐算法的设计与实现 | 第42-68页 |
| 4.1 数据集的清洗及建模 | 第42-44页 |
| 4.1.1 数据集的获取及清洗 | 第42-43页 |
| 4.1.2 数据集的建模 | 第43-44页 |
| 4.2 深度学习神经网络的设计与实现 | 第44-54页 |
| 4.2.1 RNN及LSTM算法原理 | 第45-48页 |
| 4.2.2 LSTM神经网络结构设计及实现 | 第48-50页 |
| 4.2.3 GAN神经网络的原理 | 第50-51页 |
| 4.2.4 GAN神经网络设计与实现 | 第51-54页 |
| 4.3 深度学习代码研究及开发环境实施 | 第54-58页 |
| 4.3.1 Python、Anaconda及Pycharm环境配置 | 第54-56页 |
| 4.3.2 Tensorflow环境配置 | 第56页 |
| 4.3.3 CUDA及CDUNN环境配置 | 第56-58页 |
| 4.4 Hadoop平台搭建及算法在平台上的实施 | 第58-66页 |
| 4.4.1 Hadoop集群结构及组件配置 | 第58-65页 |
| 4.4.2 算法在Hadoop平台的实施 | 第65-66页 |
| 4.5 本章小结 | 第66-68页 |
| 5 系统测试 | 第68-78页 |
| 5.1 Hadoop平台性能测试 | 第68-72页 |
| 5.1.1 测试配置 | 第68-69页 |
| 5.1.2 测试记录 | 第69-70页 |
| 5.1.3 测试结果 | 第70-72页 |
| 5.2 算法测试及评估 | 第72-77页 |
| 5.2.1 推荐算法性能测试 | 第73-76页 |
| 5.2.2 算法执行效率测试 | 第76页 |
| 5.2.3 算法对于数据量的需求评估 | 第76-77页 |
| 5.2.4 算法测试小结 | 第77页 |
| 5.3 本章小结 | 第77-78页 |
| 6 总结与展望 | 第78-80页 |
| 6.1 总结 | 第78页 |
| 6.2 展望 | 第78-80页 |
| 参考文献 | 第80-82页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第82-86页 |
| 学位论文数据集 | 第86页 |