| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 推荐系统课题背景 | 第12-13页 |
| 1.2 推荐系统研究内容 | 第13-14页 |
| 1.3 推荐系统与大数据 | 第14-15页 |
| 1.4 论文布局 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 相关技术概述 | 第17-26页 |
| 2.1 机器学习框架Mahout | 第17-19页 |
| 2.1.1 Mahout整体框架 | 第17-18页 |
| 2.1.2 Mahout优点与缺陷 | 第18-19页 |
| 2.2 分布式架构Hadoop | 第19-23页 |
| 2.2.1 Hadoop构造模块 | 第19-21页 |
| 2.2.2 分布式文件系统HDFS | 第21-22页 |
| 2.2.3 分布式计算框架MapReduce | 第22-23页 |
| 2.2.4 Hadoop的发展与优势 | 第23页 |
| 2.3 构建工具Maven | 第23-24页 |
| 2.4 应用程序框架Spring | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 推荐系统 | 第26-40页 |
| 3.1 推荐技术 | 第26-27页 |
| 3.1.1 协同过滤推荐 | 第26页 |
| 3.1.2 基于内容的推荐 | 第26-27页 |
| 3.1.3 基于社交的推荐 | 第27页 |
| 3.2 常用评测指标 | 第27-29页 |
| 3.2.1 评分预测 | 第27-28页 |
| 3.2.2 查准率与召回率 | 第28-29页 |
| 3.2.3 新颖度 | 第29页 |
| 3.3 Mahout协同过滤推荐 | 第29-39页 |
| 3.3.1 相似性度量方案 | 第30-32页 |
| 3.3.2 基于用户的协同过滤推荐 | 第32-34页 |
| 3.3.3 基于项目的协同过滤推荐 | 第34-36页 |
| 3.3.4 ALS-WR协同过滤推荐算法 | 第36-39页 |
| 3.3.5 其它推荐算法 | 第39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于Hadoop平台和Mahout框架的课程推荐系统实现 | 第40-54页 |
| 4.1 需求分析 | 第40-42页 |
| 4.1.1 猜您喜欢场景 | 第40-41页 |
| 4.1.2 关联推荐场景 | 第41页 |
| 4.1.3 热门推荐场景 | 第41-42页 |
| 4.1.4 新品推荐场景 | 第42页 |
| 4.2 选择推荐算法 | 第42-43页 |
| 4.3 课程推荐系统项目架构 | 第43-45页 |
| 4.4 推荐引擎 | 第45-51页 |
| 4.4.1 猜您喜欢推荐引擎 | 第45-48页 |
| 4.4.2 关联推荐实现 | 第48-50页 |
| 4.4.3 推荐课程获取 | 第50-51页 |
| 4.4.4 热门推荐和新品推荐实现 | 第51页 |
| 4.5 课程推荐矩阵自动迁移 | 第51-52页 |
| 4.6 课程推荐系统业务实现 | 第52-53页 |
| 4.6.1 Spring注入编程的应用 | 第52-53页 |
| 4.6.2 Spring切面编程的应用 | 第53页 |
| 4.7 本章小结 | 第53-54页 |
| 第5章 课程推荐系统的算法参数调优 | 第54-64页 |
| 5.1 实验数据预处理 | 第54-55页 |
| 5.2 构建Mahout协同过滤推荐项目 | 第55-57页 |
| 5.2.1 Mahout相似性度量方案实现 | 第55页 |
| 5.2.2 协同过滤推荐编程 | 第55-57页 |
| 5.3 推荐算法参数调优 | 第57-63页 |
| 5.3.1 实验(一) —选择基于K近邻的用户协同过滤推荐的相似性度量方案 | 第57-58页 |
| 5.3.2 实验(二) —选择基于阈值的用户协同过滤推荐的相似性度量方案 | 第58-59页 |
| 5.3.3 实验(三) —谷本系数方案的阈值确认 | 第59-61页 |
| 5.3.4 实验(四) —选择基于项目的协同过滤推荐的相似性度量方案 | 第61页 |
| 5.3.5 实验(五) —ALS-WR推荐算法参数评估 | 第61-62页 |
| 5.3.6 实验小结 | 第62-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 6.1 论文总结 | 第64页 |
| 6.2 未来展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69页 |
