| 摘要 | 第4-5页 |
| Abstract | 第5-6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 论文的主要研究内容 | 第12页 |
| 1.4 论文的组织结构 | 第12-14页 |
| 第二章 个性化推荐系统及Hadoop技术概述与分析 | 第14-24页 |
| 2.1 个性化推荐系统 | 第14-16页 |
| 2.1.1 个性化推荐系统的发展 | 第14-15页 |
| 2.1.2 个性化推荐系统的研究内容 | 第15页 |
| 2.1.3 个性化推荐系统的分类 | 第15-16页 |
| 2.2 个性化推荐系统的相关技术 | 第16-18页 |
| 2.2.1 基于关联规则的推荐 | 第16-17页 |
| 2.2.2 基于内容的推荐 | 第17页 |
| 2.2.3 协同过滤推荐 | 第17-18页 |
| 2.3 Hadoop技术概述与分析 | 第18-23页 |
| 2.3.1 Google文件系统GFS | 第19-20页 |
| 2.3.2 Map/Reduce编程模型 | 第20页 |
| 2.3.3 Hadoop分布式文件系统HDFS | 第20-22页 |
| 2.3.4 MapReduce并行编程模型在Hadoop中的实现 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 协同过滤推荐算法研究 | 第24-37页 |
| 3.1 基于用户的协同过滤算法UserCF | 第24-26页 |
| 3.2 融合时间信息的协同过滤算法研究 | 第26-31页 |
| 3.2.1 时间效应 | 第26-27页 |
| 3.2.2 融合时间信息的协同过滤算法T-UserCF的设计 | 第27-29页 |
| 3.2.3 实验设计和结果分析 | 第29-31页 |
| 3.3 增量式协同过滤算法I-UserCF研究 | 第31-36页 |
| 3.3.1 增量式协同过滤算法I-UserCF的设计 | 第31-33页 |
| 3.3.2 I-UserCF算法时间复杂度分析 | 第33-34页 |
| 3.3.3 实验设计和结果分析 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 并行化I-UserCF算法的研究 | 第37-50页 |
| 4.1 并行化I-UserCF算法基本步骤 | 第37-38页 |
| 4.2 初始化计算的MapReduce过程 | 第38-43页 |
| 4.3 增量计算的MapReduce过程 | 第43-45页 |
| 4.4 基于Hadoop平台的仿真实验 | 第45-49页 |
| 4.4.1 Hadoop平台搭建 | 第45-48页 |
| 4.4.2 实验设计和结果分析 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 并行化I-UserCF算法在电影推荐系统中的应用 | 第50-65页 |
| 5.1 电影推荐系统需求分析 | 第50-51页 |
| 5.1.1 功能需求 | 第50-51页 |
| 5.1.2 信息需求 | 第51页 |
| 5.1.3 性能需求 | 第51页 |
| 5.1.4 环境需求 | 第51页 |
| 5.2 电影推荐系统设计 | 第51-56页 |
| 5.2.1 系统架构设计 | 第51-52页 |
| 5.2.2 系统功能模块设计 | 第52-54页 |
| 5.2.3 数据结构设计 | 第54-56页 |
| 5.3 电影推荐系统实现 | 第56-58页 |
| 5.3.1 关键技术 | 第56页 |
| 5.3.2 主要方法 | 第56-57页 |
| 5.3.3 系统实现效果示例 | 第57-58页 |
| 5.4 电影推荐系统测试 | 第58-64页 |
| 5.4.1 注册功能测试 | 第58-60页 |
| 5.4.2 登录功能测试 | 第60-62页 |
| 5.4.3 电影信息展示及电影评分功能测试 | 第62-63页 |
| 5.4.4 推荐功能测试 | 第63-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-69页 |
| 致谢 | 第69页 |
