| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 引言 | 第9-15页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 国内外研究进展 | 第10-13页 |
| 1.2.1 推荐系统研究进展 | 第10-11页 |
| 1.2.2 大数据技术研究进展 | 第11-13页 |
| 1.3 论文主要研究内容 | 第13-14页 |
| 1.4 论文结构 | 第14页 |
| 1.5 本章小结 | 第14-15页 |
| 第二章 个性化推荐算法及Hadoop综述 | 第15-25页 |
| 2.1 推荐算法概述 | 第15-17页 |
| 2.2 Slope One协同过滤算法 | 第17-20页 |
| 2.2.1 Slope One算法概述 | 第17-18页 |
| 2.2.2 Slope One算法的数据表示 | 第18页 |
| 2.2.3 Slope One算法的预测评分过程 | 第18-19页 |
| 2.2.4 Slope One算法的特点 | 第19-20页 |
| 2.3 Hadoop系统及核心技术 | 第20-24页 |
| 2.3.1 Hadoop系统概述 | 第20-22页 |
| 2.3.2 HDFS分布式文件系统 | 第22-23页 |
| 2.3.3 MapReduce并行计算模型 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 一种改进的Slope One个性化推荐算法 | 第25-33页 |
| 3.1 Slope One加权算法 | 第25-26页 |
| 3.2 关联规则算法及其概念 | 第26-28页 |
| 3.2.1 关联规则算法 | 第26页 |
| 3.2.2 关联规则算法中的概念 | 第26-28页 |
| 3.3 基于关联规则置信度的Slope One算法 | 第28-31页 |
| 3.3.1 引入支持度和置信度 | 第28-29页 |
| 3.3.2 基于关联规则置信度的Slope One算法 | 第29-30页 |
| 3.3.3 算法的优势 | 第30-31页 |
| 3.5 本章小结 | 第31-33页 |
| 第四章 基于Hadoop的个性化推荐算法的实现 | 第33-49页 |
| 4.1 MapReduce编程模型 | 第33-36页 |
| 4.1.1 MapReduce模型原理 | 第33-34页 |
| 4.1.2 MapReduce程序执行流程 | 第34-36页 |
| 4.2 基于Hadoop的推荐算法研究思路设计 | 第36-37页 |
| 4.3 基于Hadoop的Slope One算法的实现 | 第37-38页 |
| 4.4 基于Hadoop的CSO算法的实现 | 第38-48页 |
| 4.4.1 算法输入的数据集格式 | 第38-39页 |
| 4.4.2 任务的分解与实现 | 第39-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 环境搭建及实验结果 | 第49-63页 |
| 5.1 实验环境 | 第49-54页 |
| 5.1.1 总体测试环境 | 第49-50页 |
| 5.1.2 Hadoop集群搭建 | 第50-54页 |
| 5.2 实验数据集 | 第54-55页 |
| 5.3 基于Hadoop的CSO算法性能测试与调优 | 第55-58页 |
| 5.3.1 单机、伪分布式、完全分布式算法性能对比 | 第55-56页 |
| 5.3.2 Hadoop下算法分布式性能调优对比 | 第56-58页 |
| 5.3.3 Hadoop下算法各任务运算性能对比 | 第58页 |
| 5.4 CSO算法与Slope One算法精度测试 | 第58-62页 |
| 5.4.1 算法评价指标 | 第58-59页 |
| 5.4.2 CSO算法与Slope One算法预测精度对比 | 第59-60页 |
| 5.4.3 引入最小支持度阈值算法预测精度对比 | 第60-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 论文总结 | 第63-64页 |
| 6.2 下一步工作 | 第64-65页 |
| 参考文献 | 第65-67页 |
| 缩略词 | 第67-69页 |
| 致谢 | 第69页 |
