| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-12页 |
| 1.3 课题背景和研究内容 | 第12-13页 |
| 1.3.1 课题背景 | 第12页 |
| 1.3.2 研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第二章 推荐引擎技术基本理论与相关技术 | 第14-31页 |
| 2.1 推荐引擎技术 | 第14-19页 |
| 2.1.1 推荐引擎技术概要介绍 | 第14-15页 |
| 2.1.2 推荐引擎技术分类 | 第15-18页 |
| 2.1.3 推荐引擎技术现在存在的问题 | 第18-19页 |
| 2.2 数据挖掘技术概述 | 第19-26页 |
| 2.2.1 基于用户的协同过滤推荐算法 | 第19-21页 |
| 2.2.2 基于物品的协同过滤推荐算法 | 第21-22页 |
| 2.2.3 Slope One算法 | 第22-23页 |
| 2.2.4 相似度算法 | 第23-26页 |
| 2.3 Spark分布式平台 | 第26-30页 |
| 2.3.1 Spark概述 | 第26-27页 |
| 2.3.2 弹性分布式数据集 | 第27-28页 |
| 2.3.3 Spark编程模型和运行架构 | 第28-29页 |
| 2.3.4 Spark MLlib及其学习 | 第29-30页 |
| 本章小结 | 第30-31页 |
| 第三章 Slope算法的改进和并行化实现 | 第31-48页 |
| 3.1 基于Spark平台的并行化推荐算法 | 第31页 |
| 3.2 Slope One算法及其改进策略 | 第31-35页 |
| 3.2.1 Slope One算法优缺点 | 第31-32页 |
| 3.2.2 算法描述 | 第32-34页 |
| 3.2.3 算法设计 | 第34-35页 |
| 3.3 基于物品和Slope One算法的并行化实现 | 第35-47页 |
| 3.3.2 Slope One算法的并行化实现 | 第39-43页 |
| 3.3.3 改进的协同过滤推荐算法的并行化实现 | 第43-47页 |
| 本章小结 | 第47-48页 |
| 第四章 实验设计与结构分析 | 第48-56页 |
| 4.1 试验环境 | 第48-49页 |
| 4.1.1 硬件环境 | 第48页 |
| 4.1.2 试验数据集 | 第48-49页 |
| 4.2 评价标准 | 第49-50页 |
| 4.2.1 评分预测的准确度 | 第49-50页 |
| 4.2.2 准确率与召回率 | 第50页 |
| 4.3 设计实验 | 第50-51页 |
| 4.4 分析试验结果 | 第51-55页 |
| 4.4.1 分析不同节点数目和不同平台的运行效率 | 第51-52页 |
| 4.4.2 分析不同大小的数据集的运行结果 | 第52-54页 |
| 4.4.3 分析不同比例的训练集和测试集的运行结果 | 第54-55页 |
| 本章小结 | 第55-56页 |
| 第五章 基于Spark平台的推荐系统的实现 | 第56-61页 |
| 5.1 协同过滤推荐算法的并行化实现 | 第56-59页 |
| 5.2 协同过滤推荐系统 | 第59-60页 |
| 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 5.1 工作总结 | 第61页 |
| 5.2 工作展望 | 第61-63页 |
| 参考文献 | 第63-65页 |
| 致谢 | 第65页 |