基于Hadoop架构的用户协同过滤影视推荐系统的研究与应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状及趋势 | 第11-13页 |
| 1.3 课题研究的目的和内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 协同过滤推荐系统及相关技术 | 第16-24页 |
| 2.1 推荐系统 | 第16-17页 |
| 2.1.1 推荐系统概述 | 第16页 |
| 2.1.2 个性化推荐工作原理 | 第16-17页 |
| 2.2 协同过滤推荐算法 | 第17-19页 |
| 2.2.1 工作原理 | 第17-18页 |
| 2.2.2 基于内存的协同过滤 | 第18页 |
| 2.2.3 基于模型的协同过滤 | 第18-19页 |
| 2.3 Hadoop与Mahout | 第19-23页 |
| 2.3.1 大数据概述 | 第19页 |
| 2.3.2 Hadoop分布式平台 | 第19-22页 |
| 2.3.3 Mahout统计工具 | 第22页 |
| 2.3.4 K-Means算法简介 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于Hadoop的 影视推荐系统的设计 | 第24-42页 |
| 3.1 问题的提出 | 第24-25页 |
| 3.2 系统架构设计 | 第25-27页 |
| 3.3 系统逻辑设计 | 第27-31页 |
| 3.3.1 数据收集（采集）处理模块 | 第27-28页 |
| 3.3.2 推荐引擎模块 | 第28-29页 |
| 3.3.3 数据集的存储模块 | 第29-30页 |
| 3.3.4 用户交互服务 | 第30-31页 |
| 3.3.5 推荐系统管理 | 第31页 |
| 3.4 协同过滤推荐模型的设计 | 第31-37页 |
| 3.4.1 基本设计思想 | 第31-32页 |
| 3.4.2 用户特征向量 | 第32-33页 |
| 3.4.3 K-Means聚类逻辑设计 | 第33-36页 |
| 3.4.4 推荐结果生成 | 第36-37页 |
| 3.5 Hadoop平台的设计 | 第37-40页 |
| 3.5.1 平台整体设计 | 第37-39页 |
| 3.5.2 数据冗余和数据恢复 | 第39-40页 |
| 3.6 本章小结 | 第40-42页 |
| 第4章 基于Hadoop的 影视推荐系统实现 | 第42-49页 |
| 4.1 数据采集处理模块的实现 | 第42-45页 |
| 4.2 协同过滤推荐引擎的实现 | 第45-47页 |
| 4.3 推荐结果的应用处理 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 测试与结果分析 | 第49-58页 |
| 5.1 环境搭建 | 第49-51页 |
| 5.2 测试的目的和方法 | 第51-53页 |
| 5.3 测试的结果及分析 | 第53-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第6章 结论与展望 | 第58-60页 |
| 6.1 结论 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62页 |
