| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1. 引言 | 第11-16页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 推荐系统研究现状 | 第12-13页 |
| 1.3 课题研究的主要内容和主要工作 | 第13-15页 |
| 1.4 论文的结构安排 | 第15-16页 |
| 2. 推荐系统的相关技术概述 | 第16-26页 |
| 2.1 推荐系统算法介绍 | 第16-20页 |
| 2.1.1 推荐系统的概念 | 第16页 |
| 2.1.2 基于内容的推荐算法 | 第16-17页 |
| 2.1.3 基于协同过滤的推荐算法 | 第17-18页 |
| 2.1.4 基于关联规则的推荐算法 | 第18-19页 |
| 2.1.5 基于网络结构的推荐算法 | 第19页 |
| 2.1.6 混合推荐算法 | 第19-20页 |
| 2.2 相似度计算常用方法概述 | 第20-21页 |
| 2.2.1 余弦相似度 | 第20页 |
| 2.2.2 皮尔森相关系数 | 第20页 |
| 2.2.3 Jaccard相似系数 | 第20-21页 |
| 2.3 Hadoop平台相关技术简介 | 第21-23页 |
| 2.3.1 Hadoop平台简介 | 第21页 |
| 2.3.2 分布式文件系统HDFS介绍 | 第21-22页 |
| 2.3.3 Mapreduce程序设计模式 | 第22-23页 |
| 2.3.4 SQL to Hadoop:Sqoop | 第23页 |
| 2.4 普适计算与上下文感知技术 | 第23-25页 |
| 2.4.1 普适计算 | 第23-24页 |
| 2.4.2 上下文感知 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3. 基于二部图网络结构并融合上下文感知信息的推荐算法 | 第26-43页 |
| 3.1 二部图网络结构推荐算法的基本原理 | 第26-29页 |
| 3.2 算法的改进 | 第29-36页 |
| 3.2.1 加权 | 第29-32页 |
| 3.2.2 余弦相似度 | 第32-35页 |
| 3.2.3 修正的余弦相似度 | 第35-36页 |
| 3.3 融入上下文感知信息 | 第36-38页 |
| 3.4 实验结论 | 第38-42页 |
| 3.4.1 实验数据集与评价标准 | 第38-39页 |
| 3.4.2 实验方案 | 第39-40页 |
| 3.4.3 实验结果分析 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4. 基于Hadoop的二部图网络结构推荐算法 | 第43-66页 |
| 4.1 基于Hadoop的二部图网络结构推荐算法 | 第43-47页 |
| 4.2 基于Hadoop的CTopN-NBI推荐算法 | 第47-53页 |
| 4.3 基于Hadoop的ACTopN-NBI推荐算法 | 第53-58页 |
| 4.4 视频推荐系统应用案例分析 | 第58-65页 |
| 4.4.1 应用实现技术 | 第58-59页 |
| 4.4.2 系统总体架构 | 第59-60页 |
| 4.4.3 环境搭建 | 第60-62页 |
| 4.4.4 系统功能模块 | 第62-65页 |
| 4.5 本章小结 | 第65-66页 |
| 5. 总结与展望 | 第66-68页 |
| 5.1 论文总结 | 第66-67页 |
| 5.2 下一步的研究展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
