| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 项目背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 主要研究内容与工作 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 第2章 相关技术研究 | 第15-28页 |
| 2.1 实时推荐系统涉及的相关技术 | 第15-22页 |
| 2.1.1 Storm流式计算框架 | 第15-16页 |
| 2.1.2 Storm中的组件 | 第16-18页 |
| 2.1.3 Flume | 第18-20页 |
| 2.1.4 Kafka日志消息队列 | 第20-22页 |
| 2.2 推荐系统 | 第22-25页 |
| 2.2.1 推荐系统的定义 | 第22页 |
| 2.2.2 推荐算法 | 第22-25页 |
| 2.3 Java Web涉及核心技术 | 第25-27页 |
| 2.3.1 Spring | 第25-26页 |
| 2.3.2 Mybatis框架 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于改进SVD的k-means协同过滤推荐算法 | 第28-40页 |
| 3.1 基于SVD的k-means协同过滤推荐算法 | 第28-33页 |
| 3.1.1 SVD的基本原理 | 第28-31页 |
| 3.1.2 k-means协同过滤推荐算法 | 第31-32页 |
| 3.1.3 基于SVD的k-means协同过滤推荐算法 | 第32-33页 |
| 3.2 改进的SVD | 第33-34页 |
| 3.3 基于改进SVD的k-means协同过滤算法 | 第34-35页 |
| 3.4 实验分析与评估 | 第35-38页 |
| 3.4.1 推荐结果评估标准 | 第35-36页 |
| 3.4.2 实验过程与分析 | 第36-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第4章 基于Storm的推荐系统的详细架构设计 | 第40-53页 |
| 4.1 推荐系统的目标 | 第40页 |
| 4.2 推荐系统总体架构设计 | 第40-42页 |
| 4.3 Flume数据采集模块设计与实现 | 第42-46页 |
| 4.4 Kafka数据缓冲队列模块设计与实现 | 第46-47页 |
| 4.5 Flume与Kafka的整合 | 第47-48页 |
| 4.6 基于Storm的流式处理子系统的部署与实现 | 第48-52页 |
| 4.6.1 环境准备 | 第48-49页 |
| 4.6.2 动Storm集群以及结果展示 | 第49-52页 |
| 4.7 本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53-54页 |
| 5.2 研究展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第59-60页 |
| 致谢 | 第60-61页 |
