摘要 | 第4-6页 |
abstract | 第6-8页 |
第1章 绪论 | 第11-16页 |
1.1 研究背景及意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-13页 |
1.3 主要研究内容 | 第13-14页 |
1.4 章节安排 | 第14-16页 |
第2章 理论基础 | 第16-28页 |
2.1 高并发日志收集平台 | 第16-20页 |
2.1.1 ELK平台 | 第16-18页 |
2.1.2 Kafka消息中间件 | 第18-19页 |
2.1.3 Spark计算平台 | 第19-20页 |
2.2 基于协同过滤算法 | 第20-24页 |
2.2.1 基于内存的协同算法 | 第21-23页 |
2.2.2 基于模型的协同过滤算法 | 第23-24页 |
2.3 基于内容聚类算法 | 第24-27页 |
2.3.1 K-means算法 | 第24-26页 |
2.3.2 K-means算法流程 | 第26-27页 |
2.4 本章小结 | 第27-28页 |
第3章 用户行为及商品数据建模 | 第28-36页 |
3.1 用户行为及商品模型定义 | 第28-31页 |
3.1.1 前言 | 第28页 |
3.1.2 用户行为流程定义 | 第28-30页 |
3.1.3 商品属性模型定义 | 第30-31页 |
3.2 用户行为及商品建模 | 第31-35页 |
3.2.1 基于协同矩阵算法对用户行为建模 | 第31-33页 |
3.2.2 基于K-means算法对商品属性建模 | 第33-35页 |
3.3 本章小结 | 第35-36页 |
第4章 平台搭建与算法实践 | 第36-56页 |
4.1 高并发日志收集平台 | 第36-41页 |
4.1.1 ELK平台搭建 | 第36-39页 |
4.1.2 Kafka分布式消息平台 | 第39-41页 |
4.2 Spark计算平台 | 第41-43页 |
4.3 购买行为及商品的数据整理和特征提取 | 第43-47页 |
4.3.1 用户购买行为数据整理和特征提取 | 第43-45页 |
4.3.2 商品数据整理和特征提取 | 第45-47页 |
4.4 算法实践 | 第47-55页 |
4.4.1 协同算法实现对购买行为的推荐 | 第48-51页 |
4.4.2 K-means算法实现对浏览行为的推荐 | 第51-55页 |
4.5 本章小结 | 第55-56页 |
第5章 总结与展望 | 第56-58页 |
5.1 全文总结 | 第56页 |
5.2 工作展望 | 第56-58页 |
参考文献 | 第58-61页 |
作者简介及在学期间所取得的科研成果 | 第61-62页 |
致谢 | 第62页 |