协同过滤推荐算法稀疏性与可扩展性问题研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-17页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 推荐系统简介 | 第8-11页 |
| 1.2.1 推荐系统 | 第8-10页 |
| 1.2.2 协同过滤 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-15页 |
| 1.3.1 国外研究现状 | 第11-12页 |
| 1.3.2 国内研究现状 | 第12-15页 |
| 1.4 研究内容 | 第15页 |
| 1.5 论文组织结构 | 第15-17页 |
| 2 协同过滤推荐算法相关理论 | 第17-29页 |
| 2.1 协同过滤推荐算法概述[21] | 第17-19页 |
| 2.1.1 收集用户评价 | 第18页 |
| 2.1.2 预测评分 | 第18-19页 |
| 2.1.3 产生推荐 | 第19页 |
| 2.2 协同过滤推荐算法分类 | 第19-25页 |
| 2.2.1 基于用户的协同过滤算法 | 第19-24页 |
| 2.2.2 基于项目的协同过滤算法 | 第24-25页 |
| 2.2.3 基于用户和项目的协同过滤算法的区别 | 第25页 |
| 2.3 推荐系统评估标准 | 第25-27页 |
| 2.3.1 准确度 | 第25-26页 |
| 2.3.2 查准率和查全率 | 第26-27页 |
| 2.4 协同过滤推荐算法难点 | 第27-28页 |
| 2.4.1 稀疏性[25,26] | 第27页 |
| 2.4.2 冷启动 | 第27-28页 |
| 2.4.3 可扩展性 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 稀疏性问题研究 | 第29-41页 |
| 3.1 稀疏性问题 | 第29-30页 |
| 3.2 融合辅助因子的协同过滤推荐算法 | 第30-34页 |
| 3.2.1 产生邻居集 | 第31-32页 |
| 3.2.2 预测评分产生推荐结果 | 第32-34页 |
| 3.3 实验评测 | 第34-40页 |
| 3.3.1 实验数据集 | 第34页 |
| 3.3.2 评价方式 | 第34-35页 |
| 3.3.3 实验结果及分析 | 第35-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 可扩展性问题研究 | 第41-56页 |
| 4.1 可扩展性问题 | 第41页 |
| 4.2 相关理论与技术 | 第41-44页 |
| 4.2.1 Hadoop简介 | 第41-42页 |
| 4.2.2 分布式文件系统HDFS | 第42-43页 |
| 4.2.3 分布式计算框架MapReduce | 第43-44页 |
| 4.3 基于Hadoop的协同过滤推荐算法 | 第44-51页 |
| 4.3.1 算法思想 | 第44-46页 |
| 4.3.2 MapReduce算法实现 | 第46-51页 |
| 4.4 实验环境搭建 | 第51-53页 |
| 4.5 实验评测 | 第53-55页 |
| 4.6 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录 | 第62页 |
| A. 作者在攻读硕士学位期间参与的科研项目 | 第62页 |
| B. 作者在攻读硕士学位期间获得的荣誉 | 第62页 |
