| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 用户冷启动问题的研究现状 | 第12-15页 |
| 1.3 矩阵分解的并行化研究现状 | 第15-17页 |
| 1.4 本文工作 | 第17页 |
| 1.5 论文结构 | 第17-20页 |
| 第二章 相关介绍 | 第20-30页 |
| 2.1 推荐系统 | 第20-24页 |
| 2.1.1 基于内容过滤的推荐系统 | 第20-22页 |
| 2.1.2 基于协同过滤的推荐系统 | 第22-24页 |
| 2.2 大数据相关技术介绍 | 第24-28页 |
| 2.2.1 Spark分布式计算框架 | 第25-27页 |
| 2.2.2 HDFS分布式文件系统 | 第27-28页 |
| 2.3 本章小结 | 第28-30页 |
| 第三章 基于聚类的问答决策树算法设计与实现 | 第30-42页 |
| 3.1 本章引论 | 第30页 |
| 3.2 问题描述 | 第30-32页 |
| 3.3 算法设计 | 第32-37页 |
| 3.3.1 低维矩阵分解算法 | 第32-33页 |
| 3.3.2 谱聚类算法 | 第33-35页 |
| 3.3.3 基于聚类的问答决策树的构建 | 第35-37页 |
| 3.4 实验结果及分析 | 第37-41页 |
| 3.4.1 数据集和评价标准介绍 | 第37-38页 |
| 3.4.2 模拟用户回答 | 第38页 |
| 3.4.3 实验设计 | 第38-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于Spark的矩阵分解并行算法设计与实现 | 第42-58页 |
| 4.1 本章引论 | 第42-43页 |
| 4.2 问题描述 | 第43-44页 |
| 4.3 基于SGD的矩阵分解算法简介 | 第44-45页 |
| 4.4 分布式分层迭代的随机梯度下降法(DHISGD) | 第45-53页 |
| 4.4.1 并行计算模块 | 第46-49页 |
| 4.4.2 基于相似用户和物品的分区策略(s_partition) | 第49-51页 |
| 4.4.3 SGD步长更新策略 | 第51-53页 |
| 4.5 实验结果与分析 | 第53-56页 |
| 4.5.1 实验数据 | 第53-54页 |
| 4.5.2 实验环境 | 第54页 |
| 4.5.3 实验设计 | 第54-56页 |
| 4.6 本章小结 | 第56-58页 |
| 第五章 基于用户行为的实时推荐引擎设计与实现 | 第58-66页 |
| 5.1 本章引言 | 第58-59页 |
| 5.2 Flume+Kafka+SparkStreaming+Redis实时计算框架 | 第59-60页 |
| 5.3 各个模块数据处理方法 | 第60-64页 |
| 5.3.1 Flume数据处理方法 | 第60-61页 |
| 5.3.2 Kafka集群消息分发 | 第61-62页 |
| 5.3.3 SparkStreaming并行读取Kafka消息队列并进行处理 | 第62-63页 |
| 5.3.4 Redis数据库的操作说明 | 第63-64页 |
| 5.4 实验结果与分析 | 第64页 |
| 5.4.1 实验环境 | 第64页 |
| 5.4.2 实验设计 | 第64页 |
| 5.5 本章小结 | 第64-66页 |
| 第六章 结束语 | 第66-68页 |
| 6.1 总结 | 第66页 |
| 6.2 展望 | 第66-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 作者在学期间取得的学术成果 | 第76页 |
