| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究目的与意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12页 |
| 1.4 论文主要结构和内容 | 第12-14页 |
| 第二章 推荐系统相关算法与背景知识 | 第14-27页 |
| 2.1 基于内容的推荐算法 | 第14-15页 |
| 2.2 关联规则推荐算法 | 第15-18页 |
| 2.2.1 关联规则概念 | 第15-16页 |
| 2.2.2 关联规则与支持度、置信度 | 第16页 |
| 2.2.3 关联规则挖掘过程 | 第16-17页 |
| 2.2.4 频繁项集挖掘算法 | 第17-18页 |
| 2.3 协同过滤推荐算法 | 第18-21页 |
| 2.3.1 协同过滤算法概念 | 第19页 |
| 2.3.2 协同过滤的实现过程 | 第19-20页 |
| 2.3.3 用户、物品相似邻居计算 | 第20-21页 |
| 2.3.4 基于用户的协同过滤 | 第21页 |
| 2.3.5 基于物品的协同过滤 | 第21页 |
| 2.4 协同过滤算法缺陷 | 第21-25页 |
| 2.4.1 稀疏性问题 | 第22-23页 |
| 2.4.2 稀疏性问题解决方法研究 | 第23-24页 |
| 2.4.3 冷启动问题 | 第24页 |
| 2.4.4 冷启动问题解决方法研究 | 第24-25页 |
| 2.5 混合推荐算法 | 第25-27页 |
| 第三章 基于内容、关联规则和协同过滤的混合推荐算法 | 第27-32页 |
| 3.1 混合推荐算法分类 | 第27-28页 |
| 3.1.1 系统架构混合(离线-近线-在线三层混合机制) | 第27页 |
| 3.1.2 推荐算法混合 | 第27-28页 |
| 3.2 关联规则算法、协同过滤算法的离线在线混合模型 | 第28-29页 |
| 3.3 基于内容推荐、协同过滤算法的分层混合模型 | 第29页 |
| 3.4 基于内容、关联规则和协同过滤的混合推荐系统 | 第29-32页 |
| 第四章 基于Apache Mahout的电影推荐引擎的设计与实现 | 第32-50页 |
| 4.1 Apache Mahout相关算法介绍 | 第32-33页 |
| 4.1.1 Mahout实现的数据挖掘算法和推荐算法 | 第32-33页 |
| 4.1.2 Mahout中的推荐算法实现库 | 第33页 |
| 4.1.3 Mahout中的关联规则挖掘算法 | 第33页 |
| 4.2 系统概要设计 | 第33-38页 |
| 4.2.1 需求分析 | 第33-35页 |
| 4.2.2 系统架构 | 第35-36页 |
| 4.2.3 功能总体设计 | 第36-38页 |
| 4.3 数据库设计 | 第38-40页 |
| 4.3.1 用户信息表 | 第38页 |
| 4.3.2 用户评分表 | 第38-39页 |
| 4.3.3 电影信息表 | 第39页 |
| 4.3.4 虚拟用户评分表 | 第39-40页 |
| 4.3.5 关联规则表 | 第40页 |
| 4.3.6 电影类型表 | 第40页 |
| 4.4 主要功能模块设计 | 第40-45页 |
| 4.4.1 离线关联规则计算模块 | 第40-42页 |
| 4.4.2 在线推荐模块 | 第42-45页 |
| 4.5 功能展示与测试 | 第45-50页 |
| 4.5.1 原始数据集 | 第45页 |
| 4.5.2 用户注册 | 第45-46页 |
| 4.5.3 用户登录 | 第46页 |
| 4.5.4 推荐页面展示 | 第46-48页 |
| 4.5.5 效果评估测试 | 第48-50页 |
| 第五章 总结及展望 | 第50-54页 |
| 5.1 研究总结 | 第50-51页 |
| 5.2 主要的创新点 | 第51-52页 |
| 5.3 研究展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58页 |
