基于storm新闻推荐系统的研究与实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 诸论 | 第11-19页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 个性化推荐系统的发展历史 | 第12页 |
| 1.2.2 研究简介 | 第12-13页 |
| 1.2.3 新闻推荐系统实例介绍 | 第13-17页 |
| 1.3 本文的研究内容 | 第17-18页 |
| 1.3.1 初级 | 第17页 |
| 1.3.2 改进 | 第17-18页 |
| 1.4 本文的结构安排 | 第18-19页 |
| 第二章 新闻推荐的相关技术 | 第19-31页 |
| 2.1 开源工具简介 | 第19-21页 |
| 2.2 文档特征向量处理 | 第21-23页 |
| 2.2.1 TF-IDF算法 | 第21-22页 |
| 2.2.2 信息熵 | 第22页 |
| 2.2.3 小结 | 第22-23页 |
| 2.3 协同过滤 | 第23-27页 |
| 2.3.1 基于模型的协同过滤推荐 | 第23-24页 |
| 2.3.2 基于内存的协同过滤推荐 | 第24-26页 |
| 2.3.3 协同过滤概述 | 第26-27页 |
| 2.4 基于内容的推荐算法 | 第27-29页 |
| 2.4.1 item特征提取 | 第27-28页 |
| 2.4.2 Profile特征提取 | 第28页 |
| 2.4.3 基于内容过滤算法的优缺点 | 第28-29页 |
| 2.5 混合推荐 | 第29页 |
| 2.6 推荐系统的评价标准 | 第29-30页 |
| 2.7 本章小结 | 第30-31页 |
| 第三章 基于storm新闻推荐系统的算法 | 第31-42页 |
| 3.1 新闻推荐系统算法概述 | 第31-32页 |
| 3.2 协同过滤推荐设计 | 第32-35页 |
| 3.2.1 基于user的协同过滤 | 第32-34页 |
| 3.2.2 基于item的协同过滤 | 第34-35页 |
| 3.2.3 小结 | 第35页 |
| 3.3 基于内容的推荐设计 | 第35-42页 |
| 3.3.1 基于用户关键字的推荐 | 第36-38页 |
| 3.3.2 用户近期浏览处理 | 第38-40页 |
| 3.3.3 用户新闻类别兴趣权重 | 第40-41页 |
| 3.3.4 热点新闻的计算与推荐 | 第41-42页 |
| 第四章 基于storm新闻推荐系统的实现 | 第42-57页 |
| 4.1 新闻推荐系统实现概述 | 第42-49页 |
| 4.1.1 系统中的数据 | 第45-46页 |
| 4.1.2 新闻客户端 | 第46-47页 |
| 4.1.3 数据接收 | 第47-48页 |
| 4.1.4 数据库表设计 | 第48-49页 |
| 4.1.5 小结 | 第49页 |
| 4.2 离线计算 | 第49-53页 |
| 4.2.1 计算相似用户 | 第50-52页 |
| 4.2.2 统计用户关键字 | 第52-53页 |
| 4.2.3 统计用户浏览的新闻类别 | 第53页 |
| 4.3 近实时计算 | 第53页 |
| 4.4 实时计算 | 第53-56页 |
| 4.4.1 统计热点新闻 | 第54页 |
| 4.4.2 更新新闻库 | 第54页 |
| 4.4.3 用户浏览日志的处理 | 第54-55页 |
| 4.4.4 推荐集合 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 实验验证及分析 | 第57-67页 |
| 5.1 测试数据 | 第57-58页 |
| 5.1.1 基于用户协同过滤推荐结果 | 第57页 |
| 5.1.2 基于新闻条目协同过滤推荐结果 | 第57页 |
| 5.1.3 基于用户关键字的推荐结果 | 第57-58页 |
| 5.2 测试环境 | 第58页 |
| 5.3 评价标准 | 第58-59页 |
| 5.4 测试结果 | 第59-67页 |
| 5.4.1 系统计算效率的实验 | 第59-60页 |
| 5.4.2 推荐算法的相关实验 | 第60-65页 |
| 5.4.3 实验结果分析 | 第65-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 本文总结 | 第67页 |
| 6.2 研究展望 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 攻读硕士学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73-74页 |
| 附件 | 第74页 |
