摘要 | 第6-7页 |
Abstract | 第7-8页 |
第1章 绪论 | 第11-15页 |
1.1 课题研究背景与意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-13页 |
1.2.1 售电套餐研究现状 | 第12页 |
1.2.2 推荐算法研究现状 | 第12-13页 |
1.3 课题研究内容 | 第13-14页 |
1.4 论文结构安排 | 第14-15页 |
第2章 相关理论及技术 | 第15-22页 |
2.1 典型售电套餐 | 第15-16页 |
2.2 Spark大数据技术 | 第16-17页 |
2.2.1 Spark基本概念 | 第16-17页 |
2.2.2 SparkRDD | 第17页 |
2.3 Kafka技术 | 第17-18页 |
2.4 推荐相关技术 | 第18-21页 |
2.4.1 协同过滤推荐技术 | 第18-20页 |
2.4.2 常用评测指标 | 第20-21页 |
2.5 本章小结 | 第21-22页 |
第3章 售电套餐交易用户最优特征子集发现方法研究 | 第22-31页 |
3.1 引言 | 第22页 |
3.2 售电套餐推荐相关定义 | 第22-24页 |
3.2.1 售电套餐项目覆盖率 | 第22-23页 |
3.2.2 加权递增售电套餐项目覆盖率 | 第23-24页 |
3.2.3 售电套餐交易用户最优特征子集 | 第24页 |
3.3 基于加权递增项目覆盖率的用户最优特征子集发现算法 | 第24-26页 |
3.4 实验及结果分析 | 第26-30页 |
3.4.1 实验数据集 | 第26-27页 |
3.4.2 实验对比方法 | 第27页 |
3.4.3 结果分析 | 第27-30页 |
3.5 本章小结 | 第30-31页 |
第4章 面向市场交易的售电套餐推荐方法研究 | 第31-42页 |
4.1 引言 | 第31页 |
4.2 售电套餐推荐中的主要问题及对策 | 第31-33页 |
4.2.1 稀疏性问题 | 第31-32页 |
4.2.2 冷启动问题 | 第32页 |
4.2.3 准确性问题 | 第32-33页 |
4.3 售电套餐推荐算法整体流程分析 | 第33-34页 |
4.4 基于属性相关的售电套餐相似性计算方法 | 第34-36页 |
4.4.1 层次分析法确定套餐属性权重 | 第34-35页 |
4.4.2 计及属性权重的售电套餐相似性计算 | 第35-36页 |
4.5 基于用户最优特征子集和双向预测的售电套餐推荐算法 | 第36-38页 |
4.5.1 考虑用户兴趣变化的售电套餐评分预测 | 第36-37页 |
4.5.2 售电套餐推荐算法实现 | 第37-38页 |
4.6 实验及结果分析 | 第38-41页 |
4.7 本章小结 | 第41-42页 |
第5章 基于Spark的售电套餐推荐系统实现 | 第42-59页 |
5.1 引言 | 第42页 |
5.2 Spark平台搭建 | 第42-44页 |
5.3 售电套餐推荐系统总体架构设计 | 第44-46页 |
5.4 系统主要功能实现 | 第46-54页 |
5.4.1 用户交互实现 | 第46-48页 |
5.4.2 数据收集与存储实现 | 第48-50页 |
5.4.3 数据预处理实现 | 第50-51页 |
5.4.4 售电套餐推荐引擎实现 | 第51-54页 |
5.5 实验及结果分析 | 第54-58页 |
5.5.1 性能测试 | 第54-56页 |
5.5.2 功能测试 | 第56-58页 |
5.6 本章小结 | 第58-59页 |
结论 | 第59-61页 |
参考文献 | 第61-65页 |
攻读硕士学位期间发表的论文及其它成果 | 第65-66页 |
致谢 | 第66页 |