基于流式数据的智能推荐系统研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 1 绪论 | 第15-22页 |
| 1.1 研究背景和意义 | 第15-18页 |
| 1.1.1 研究的背景 | 第15-17页 |
| 1.1.2 研究的意义 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.2.1 推荐系统研究现状 | 第18-19页 |
| 1.2.2 流式数据研究现状 | 第19页 |
| 1.2.3 分布式框架研究现状 | 第19-21页 |
| 1.3 研究内容 | 第21页 |
| 1.4 组织结构 | 第21-22页 |
| 2 相关理论 | 第22-32页 |
| 2.1 个性化推荐算法概述 | 第22-25页 |
| 2.1.1 基于协同过滤的推荐算法 | 第22-23页 |
| 2.1.2 基于内容的推荐算法 | 第23页 |
| 2.1.3 基于关联规则的推荐算法 | 第23-24页 |
| 2.1.4 基于混合的推荐算法 | 第24-25页 |
| 2.2 大数据相关技术 | 第25-29页 |
| 2.2.1 Hadoop分布式计算框架 | 第25-26页 |
| 2.2.2 Spark分布式计算框架 | 第26-29页 |
| 2.3 推荐效用评价指标 | 第29-30页 |
| 2.3.1 评分预测 | 第29-30页 |
| 2.3.2 Top-N推荐 | 第30页 |
| 2.4 本章小结 | 第30-32页 |
| 3 基于流式数据的推荐算法研究 | 第32-44页 |
| 3.1 个性化推荐算法的选择 | 第32-33页 |
| 3.2 个性化推荐算法分析 | 第33-35页 |
| 3.2.1 基于ALS矩阵分解算法分析 | 第33-35页 |
| 3.2.2 基于FCM聚类算法分析 | 第35页 |
| 3.3 算法并行化设计 | 第35-40页 |
| 3.3.1 ALS算法并行化 | 第37-39页 |
| 3.3.2 FCM算法并行化 | 第39-40页 |
| 3.4 算法并行化流程 | 第40-43页 |
| 3.4.1 数据流并行化 | 第41-42页 |
| 3.4.2 任务并行化 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 4 基于流式数据的图书推荐系统设计与实现 | 第44-60页 |
| 4.1 系统设计 | 第44-48页 |
| 4.1.1 系统需求分析 | 第44页 |
| 4.1.2 系统总体架构 | 第44-45页 |
| 4.1.3 数据仓库设计 | 第45-47页 |
| 4.1.4 系统功能模块设计 | 第47-48页 |
| 4.2 Spark平台搭建 | 第48-51页 |
| 4.2.1 环境搭建 | 第48页 |
| 4.2.2 软件安装 | 第48-51页 |
| 4.3 流式计算实现 | 第51-57页 |
| 4.3.1 数据预处理 | 第51-53页 |
| 4.3.2 用户-图书评分矩阵构建 | 第53-54页 |
| 4.3.3 组合推荐算法实现 | 第54-57页 |
| 4.4 性能优化 | 第57-59页 |
| 4.4.1 集群性能优化 | 第57-58页 |
| 4.4.2 ALS模型算法优化 | 第58-59页 |
| 4.5 本章小结 | 第59-60页 |
| 5 实验与结果分析 | 第60-69页 |
| 5.1 系统应用环境及数据准备 | 第60-61页 |
| 5.1.1 实验环境 | 第60页 |
| 5.1.2 实验数据集 | 第60-61页 |
| 5.2 性能评价 | 第61-67页 |
| 5.2.1 实验设计 | 第61-62页 |
| 5.2.2 实验与结果分析 | 第62-67页 |
| 5.3 系统页面展示 | 第67-68页 |
| 5.3.1 推荐结果展示 | 第67-68页 |
| 5.3.2 推荐后台展示 | 第68页 |
| 5.4 本章小结 | 第68-69页 |
| 6 总结和展望 | 第69-71页 |
| 6.1 总结 | 第69页 |
| 6.2 展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 作者简介 | 第75页 |
