基于在线评论的泛视频推荐系统的设计与实现
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-10页 |
| 1.1 研究背景及意义 | 第6-7页 |
| 1.2 国内外研究现状 | 第7-8页 |
| 1.3 主要工作和组织结构 | 第8-10页 |
| 2 视频数据获取 | 第10-25页 |
| 2.1 爬虫 | 第10-11页 |
| 2.1.1 爬虫的需求 | 第10页 |
| 2.1.2 爬虫的定义以及分类 | 第10-11页 |
| 2.1.3 爬虫的工作原理 | 第11页 |
| 2.2 数据获取 | 第11-18页 |
| 2.2.1 网页数据的请求 | 第11-12页 |
| 2.2.2 网页数据的解析原理 | 第12-13页 |
| 2.2.3 数据的获取思路 | 第13页 |
| 2.2.4 爬虫的翻页功能 | 第13-15页 |
| 2.2.5 对抗网站的反爬策略 | 第15-18页 |
| 2.2.6 网页数据的解析 | 第18页 |
| 2.3 数据的分布式存储 | 第18-23页 |
| 2.3.1 MongoDB的介绍 | 第18-19页 |
| 2.3.2 数据库表的建立 | 第19-20页 |
| 2.3.3 数据的分片存储 | 第20-23页 |
| 2.4 本章小结 | 第23-25页 |
| 3 推荐算法的设计 | 第25-35页 |
| 3.1 分布式计算 | 第25页 |
| 3.1.1 分布式计算的概念 | 第25页 |
| 3.1.2 分布式计算的优点 | 第25页 |
| 3.2 云计算框架搭建 | 第25-29页 |
| 3.2.1 Hadoop简介、架构和搭建 | 第25-28页 |
| 3.2.2 Spark简介、架构和搭建 | 第28-29页 |
| 3.2.3 Hadoop和Spark的关系 | 第29页 |
| 3.3 基于用户评分的协同过滤算法 | 第29-31页 |
| 3.4 视频相似度的计算 | 第31-34页 |
| 3.4.1 数据的切分 | 第31页 |
| 3.4.2 文本的向量化 | 第31-32页 |
| 3.4.3 视频相似度矩阵的计算 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 4 Web实现 | 第35-52页 |
| 4.1 MVC设计模式 | 第35-41页 |
| 4.1.1 MVC设计模式介绍 | 第35-36页 |
| 4.1.2 MVC模式的优点 | 第36-37页 |
| 4.1.3 MVC模式结构组成 | 第37-41页 |
| 4.2 泛视频推荐系统的设计与实现 | 第41-51页 |
| 4.2.1 网站结构设计 | 第41-43页 |
| 4.2.2 网站功能实现 | 第43-50页 |
| 4.2.3 用户体验度调查 | 第50-51页 |
| 4.3 本章小结 | 第51-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 攻读硕士学位期间发表学术论文情况 | 第58页 |
| 攻读硕士学位期间所获奖项情况 | 第58页 |
| 攻读硕士学位期间参与科研项目情况 | 第58-59页 |
| 致谢 | 第59-61页 |
