基于分布式平台的个性化推荐算法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.1.1 推荐系统的兴起 | 第10-11页 |
| 1.1.2 推荐系统研究意义 | 第11页 |
| 1.2 推荐算法的国内外发展现状 | 第11-13页 |
| 1.2.1 国外研究进展 | 第11-12页 |
| 1.2.2 国内研究进展 | 第12-13页 |
| 1.3 课题研究内容与关键技术 | 第13页 |
| 1.4 章节安排 | 第13-15页 |
| 第二章 大数据处理技术概述 | 第15-21页 |
| 2.1 Hadoop分布式平台 | 第15-18页 |
| 2.1.1 Hadoop概述 | 第15页 |
| 2.1.2 分布式文件系统HDFS | 第15-16页 |
| 2.1.3 分布式处理框架MapReduce | 第16-18页 |
| 2.2 Mahout机器学习框架 | 第18-20页 |
| 2.2.1 Mahout整体框架 | 第18页 |
| 2.2.2 基于Mahout的相关算法简介 | 第18-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 协同过滤推荐算法研究 | 第21-41页 |
| 3.1 基于用户的协同过滤推荐算法 | 第21-26页 |
| 3.1.1 算法原理 | 第21-23页 |
| 3.1.2 算法流程 | 第23-25页 |
| 3.1.3 算法验证 | 第25-26页 |
| 3.2 基于项目的协同过滤推荐算法 | 第26-33页 |
| 3.2.1 算法原理 | 第26-27页 |
| 3.2.2 算法流程 | 第27-32页 |
| 3.2.3 算法验证 | 第32-33页 |
| 3.3 Slope One推荐算法 | 第33-36页 |
| 3.3.1 算法原理 | 第33页 |
| 3.3.2 算法流程 | 第33-35页 |
| 3.3.3 算法验证 | 第35-36页 |
| 3.4 协同过滤算法缺陷及改进 | 第36-40页 |
| 3.4.1 用户主观评分性问题 | 第36-37页 |
| 3.4.2 矩阵稀疏性问题 | 第37-39页 |
| 3.4.3 冷启动问题 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 组合推荐算法设计 | 第41-52页 |
| 4.1 K-Means聚类推荐算法 | 第41-45页 |
| 4.1.1 算法原理 | 第41-42页 |
| 4.1.2 数据来源 | 第42-43页 |
| 4.1.3 算法实现 | 第43-45页 |
| 4.2 贝叶斯分类推荐 | 第45-48页 |
| 4.2.1 算法原理 | 第45-46页 |
| 4.2.2 数据来源 | 第46-47页 |
| 4.2.3 算法实现 | 第47-48页 |
| 4.3 组合推荐算法 | 第48-51页 |
| 4.3.1 组合方法 | 第48-50页 |
| 4.3.2 组合推荐算法设计 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 个性化推荐算法的设计与实现 | 第52-70页 |
| 5.1 环境搭建 | 第52-55页 |
| 5.1.1 环境准备 | 第52页 |
| 5.1.2 Hadoop并行环境的配置 | 第52-54页 |
| 5.1.3 测试Hadoop并行环境 | 第54-55页 |
| 5.2 数据源及其预处理 | 第55-58页 |
| 5.2.1 数据源 | 第55-57页 |
| 5.2.2 数据预处理 | 第57-58页 |
| 5.3 电影推荐算法设计 | 第58-62页 |
| 5.3.1 总体设计 | 第58-59页 |
| 5.3.2 聚类算法设计 | 第59-61页 |
| 5.3.3 协同过滤算法设计 | 第61-62页 |
| 5.4 电影推荐算法实现 | 第62-66页 |
| 5.4.1 用户聚类 | 第63-64页 |
| 5.4.2 协同过滤推荐 | 第64-66页 |
| 5.5 实验结果及其分析 | 第66-69页 |
| 5.5.1 效率R对比实验 | 第66-67页 |
| 5.5.2 准确度MAE对比实验 | 第67-69页 |
| 5.6 本章小结 | 第69-70页 |
| 总结与展望 | 第70-72页 |
| 总结 | 第70页 |
| 展望 | 第70-72页 |
| 参考文献 | 第72-74页 |
| 攻读学位期间取得的研究成果 | 第74-75页 |
| 致谢 | 第75页 |
