基于互联网用户特征的商品推荐系统研究--基于Hadoop和Mahout
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第一章 绪论 | 第12-17页 |
| ·研究背景和意义 | 第12-13页 |
| ·国内外研究现状 | 第13-15页 |
| ·本文的研究内容 | 第15页 |
| ·本文的组织结构 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 第二章 相关技术介绍 | 第17-24页 |
| ·Hadoop简介 | 第17-20页 |
| ·HDFS | 第17-19页 |
| ·MapReduce | 第19-20页 |
| ·Mahout简介 | 第20页 |
| ·Hive简介 | 第20-22页 |
| ·HBase简介 | 第22页 |
| ·Hadoop生态系统 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 商品推荐系统研究 | 第24-37页 |
| ·商品推荐系统的概念和定义 | 第24-25页 |
| ·常见的推荐算法 | 第25-32页 |
| ·基于协同过滤的推荐 | 第25-31页 |
| ·基于内容的推荐 | 第31页 |
| ·基于关联规则推荐 | 第31页 |
| ·基于网路结构的推荐 | 第31-32页 |
| ·混合推荐 | 第32页 |
| ·商品推荐系统的评价标准 | 第32-34页 |
| ·预测准确度 | 第32-33页 |
| ·分类准确度 | 第33-34页 |
| ·多样性 | 第34页 |
| ·推荐系统所面临的问题和挑战 | 第34-35页 |
| ·推荐系统的发展趋势 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 基于用户特征的推荐算法 | 第37-53页 |
| ·用户特征分析 | 第37-41页 |
| ·本文所用的用户特征 | 第37-38页 |
| ·用户偏好特征数据的获取 | 第38-40页 |
| ·用户偏好特征分析 | 第40-41页 |
| ·对冷启动问题的改进 | 第41-44页 |
| ·对数据稀疏性问题的改进 | 第44-46页 |
| ·对系统可扩展性的改进 | 第46页 |
| ·基于用户特征的推荐算法 | 第46-50页 |
| ·算法思想 | 第47页 |
| ·算法描述 | 第47-49页 |
| ·算法的优点 | 第49-50页 |
| ·实验与分析 | 第50-52页 |
| ·实验环境和数据 | 第50页 |
| ·实验结果与分析 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第五章 商品推荐系统的设计与实现 | 第53-71页 |
| ·系统结构 | 第53-56页 |
| ·系统整体架构 | 第53-54页 |
| ·系统详细结构 | 第54-56页 |
| ·用户和系统的交互 | 第56页 |
| ·用户特征分析子系统的设计和实现 | 第56-63页 |
| ·特征提取模块的设计与实现 | 第57-58页 |
| ·特征转换模块的设计与实现 | 第58-59页 |
| ·用户特征模型模块的设计与实现 | 第59-63页 |
| ·用户商品模型子系统的设计与实现 | 第63-65页 |
| ·用户模型模块的设计与实现 | 第63页 |
| ·商品信息模块的设计与实现 | 第63-64页 |
| ·商品模型模块的设计与实现 | 第64-65页 |
| ·推荐引擎子系统的设计与实现 | 第65-68页 |
| ·基于用户特征的推荐模块的设计与实现 | 第65页 |
| ·改进的基于项目的协同过滤推荐模块的设计与实现 | 第65-68页 |
| ·组合推荐结果 | 第68页 |
| ·用户接口(UI)子系统的设计与实现 | 第68-69页 |
| ·本章小结 | 第69-71页 |
| 第六章 总结与展望 | 第71-74页 |
| ·全文总结 | 第71-72页 |
| ·展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 攻读学位期间的研究成果目录 | 第78-79页 |
| 致谢 | 第79页 |
