分布式环境下动态实时新闻推荐技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 研究内容与工作 | 第11-13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第2章 本文相关技术与研究 | 第15-27页 |
| 2.1 推荐技术 | 第15-18页 |
| 2.1.1 协同过滤 | 第15-16页 |
| 2.1.2 基于内容 | 第16-17页 |
| 2.1.3 混合推荐 | 第17-18页 |
| 2.2 数据挖掘技术 | 第18-21页 |
| 2.2.1 决策树 | 第18-19页 |
| 2.2.2 K-Means | 第19-20页 |
| 2.2.3 层次聚类 | 第20-21页 |
| 2.3 自然语言处理技术 | 第21-23页 |
| 2.3.1 特征提取 | 第21-22页 |
| 2.3.2 LDA模型 | 第22-23页 |
| 2.4 分布式技术 | 第23-25页 |
| 2.5 本章小结 | 第25-27页 |
| 第3章 基于用户的分布式协同过滤推荐 | 第27-37页 |
| 3.1 传统算法流程 | 第27-29页 |
| 3.1.1 用户-项目评分矩阵 | 第27页 |
| 3.1.2 K近邻 | 第27页 |
| 3.1.3 相似度计算 | 第27-29页 |
| 3.1.4 推荐生成 | 第29页 |
| 3.2 并行算法流程 | 第29-34页 |
| 3.2.1 分布式可行性分析 | 第29-30页 |
| 3.2.2 用户共现矩阵乘子 | 第30-32页 |
| 3.2.3 MapReduce实现 | 第32-34页 |
| 3.3 评价度量标准 | 第34-35页 |
| 3.4 本章小结 | 第35-37页 |
| 第4章 基于用户画像树的动态推荐模型 | 第37-49页 |
| 4.1 准备工作 | 第37-38页 |
| 4.2 模型概述 | 第38-39页 |
| 4.3 基于聚类的多维相似度 | 第39-41页 |
| 4.3.1 Global | 第39-40页 |
| 4.3.2 Local | 第40-41页 |
| 4.4 用户画像树的动态建模 | 第41-47页 |
| 4.4.1 预处理和特征提取 | 第41-43页 |
| 4.4.2 构建用户画像树 | 第43-46页 |
| 4.4.3 UP-Tree动态更新性 | 第46页 |
| 4.4.4 Shuffle推荐模型 | 第46-47页 |
| 4.5 UP和UP-TREE的比较 | 第47页 |
| 4.6 本章小结 | 第47-49页 |
| 第5章 基于SPARK的实时新闻推荐系统 | 第49-63页 |
| 5.1 基于SPARK平台的系统架构 | 第49-50页 |
| 5.2 基于STREAMING的设计模式 | 第50-51页 |
| 5.3 本文提出模型的设计与实现 | 第51-56页 |
| 5.3.1 离线处理模块 | 第51-54页 |
| 5.3.2 在线处理模块 | 第54-56页 |
| 5.4 系统的实验过程与结果分析 | 第56-62页 |
| 5.4.1 实验环境搭建 | 第56-57页 |
| 5.4.2 实验实施方案 | 第57-59页 |
| 5.4.3 实验评估分析 | 第59-62页 |
| 5.5 本章小结 | 第62-63页 |
| 总结与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间发表的学术论文 | 第69-71页 |
| 致谢 | 第71页 |
