| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 本论文研究的背景和意义 | 第9-10页 |
| 1.2 国内外研究现状及发展趋势 | 第10-12页 |
| 1.3 论文的主要内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 第二章 推荐算法的相关介绍以及Spark框架 | 第14-30页 |
| 2.1 主要推荐技术 | 第14-17页 |
| 2.1.1 基于协同过滤的推荐技术 | 第14-15页 |
| 2.1.2 基于内容的推荐技术 | 第15页 |
| 2.1.3 基于社会化的推荐技术 | 第15-16页 |
| 2.1.4 混合推荐技术 | 第16-17页 |
| 2.2 协同过滤推荐算法 | 第17-20页 |
| 2.2.1 基于邻域的协同过滤算法 | 第17-20页 |
| 2.2.2 基于模型的协同过滤算法 | 第20页 |
| 2.3 评价指标 | 第20-22页 |
| 2.3.1 准确率 | 第21-22页 |
| 2.3.2 多样性 | 第22页 |
| 2.4 Spark框架 | 第22-29页 |
| 2.4.1 Spark大数据处理框架及其生态系统 | 第22-24页 |
| 2.4.2 Spark开发环境及其部署搭建 | 第24-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于两步预测的二分网络Top-N推荐 | 第30-39页 |
| 3.1 引言 | 第30页 |
| 3.2 相关技术 | 第30-32页 |
| 3.2.1 二分网络 | 第30-31页 |
| 3.2.2 两阶段行为模式衍生的两步预测 | 第31-32页 |
| 3.3 基于两步预测的二分网络Top-N推荐 | 第32-37页 |
| 3.3.1 概率预测 | 第32-35页 |
| 3.3.2 评分预测 | 第35-36页 |
| 3.3.3 Top-N推荐 | 第36-37页 |
| 3.4 实验与分析 | 第37-38页 |
| 3.4.1 实验数据集及设置 | 第37页 |
| 3.4.2 实验结果 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于属性比重相似性的两步预测Top-N推荐 | 第39-47页 |
| 4.1 引言 | 第39页 |
| 4.2 相似度计算 | 第39-40页 |
| 4.3 基于属性比重相似性的两步预测Top-N推荐 | 第40-43页 |
| 4.3.1 属性比重相似性 | 第40-41页 |
| 4.3.2 基于属性比重相似性的两步预测的Top-N推荐 | 第41-43页 |
| 4.4 实验与分析 | 第43-46页 |
| 4.4.1 实验数据集 | 第43页 |
| 4.4.2 实验结果 | 第43-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于Spark的属性比重相似性推荐算法的并行化 | 第47-58页 |
| 5.1 引言 | 第47页 |
| 5.2 Spark基本计算单元 | 第47-48页 |
| 5.3 并行化具体实现 | 第48-55页 |
| 5.3.1 计算用户属性矩阵的并行化算法 | 第49-51页 |
| 5.3.2 计算用户相似度矩阵的并行化算法 | 第51-53页 |
| 5.3.3 产生Top-N推荐的并行化算法 | 第53-55页 |
| 5.4 实验与分析 | 第55-57页 |
| 5.4.1 实验环境及数据集 | 第55-56页 |
| 5.4.2 实验结果 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 本文总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间参与的科研工作及发表的论文 | 第66-67页 |
