| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景 | 第14页 |
| 1.2 研究的目的和意义 | 第14-16页 |
| 1.3 推荐系统的研究现状 | 第16-18页 |
| 1.3.1 推荐系统研究的主要内容 | 第16页 |
| 1.3.2 基于聚类的协同过滤推荐算法研究现状 | 第16-17页 |
| 1.3.3 基于马尔科夫模型的推荐算法研究现状 | 第17页 |
| 1.3.4 推荐算法面临的主要问题 | 第17-18页 |
| 1.4 本文的主要研究内容 | 第18-19页 |
| 1.5 论文结构安排 | 第19-20页 |
| 第二章 个性化推荐算法及谱聚类介绍 | 第20-32页 |
| 2.1 推荐系统介绍 | 第20-21页 |
| 2.2 协同过滤推荐 | 第21-24页 |
| 2.2.1 基于用户的协同过滤 | 第21-23页 |
| 2.2.2 基于项目协同过滤 | 第23-24页 |
| 2.2.3 基于用户聚类的协同过滤 | 第24页 |
| 2.2.4 基于项目聚类的协同过滤 | 第24页 |
| 2.3 基于马尔科夫模型的推荐 | 第24-25页 |
| 2.4 谱聚类介绍 | 第25-30页 |
| 2.4.1 谱聚类介绍 | 第25-26页 |
| 2.4.2 谱聚类的相似性度量 | 第26页 |
| 2.4.3 图的划分准则 | 第26-27页 |
| 2.4.4 图的矩阵表示 | 第27-28页 |
| 2.4.5 谱聚类的步骤 | 第28-29页 |
| 2.4.6 谱聚类算法需要解决的问题 | 第29-30页 |
| 2.5 本章小节 | 第30-32页 |
| 第三章 基于谱聚类的协同过滤推荐算法 | 第32-42页 |
| 3.1 相关工作 | 第32-33页 |
| 3.2 利用谱聚类发现用户-项目群组 | 第33-36页 |
| 3.2.1 构造用户-项目评分矩阵的相似矩阵 | 第33页 |
| 3.2.2 通过谱聚类发现用户-项目群组 | 第33-36页 |
| 3.3 利用用户-项目群组进行推荐 | 第36页 |
| 3.4 实验 | 第36-41页 |
| 3.4.1 数据集及度量标准 | 第36-37页 |
| 3.4.2 实验设置 | 第37-38页 |
| 3.4.3 实验结果及分析 | 第38-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于谱聚类和马尔可夫模型的个性化推荐算法 | 第42-54页 |
| 4.1 相关工作 | 第42-43页 |
| 4.2 个性化马尔科夫模型 | 第43-46页 |
| 4.2.1 个性化马尔科夫模型 | 第43页 |
| 4.2.2 个性化马尔科夫链转移矩阵的估计 | 第43-45页 |
| 4.2.3 个性化转移矩阵之间的距离度量 | 第45-46页 |
| 4.3 利用谱聚类发现用户群组 | 第46-47页 |
| 4.3.1 个性化转移矩阵之间的距离度量 | 第46页 |
| 4.3.2 通过谱聚类发现用户群组 | 第46-47页 |
| 4.4 利用张量分解用户群组转移矩阵立方体 | 第47-50页 |
| 4.4.1 奇异值分解算法 | 第47-48页 |
| 4.4.2 张量分解算法 | 第48-49页 |
| 4.4.3 应用HOSVD分解用户群组转移矩阵立方体 | 第49-50页 |
| 4.5 考虑隶属度的加权预测 | 第50-51页 |
| 4.6 实验设置及分析 | 第51-53页 |
| 4.6.1 实验设置 | 第51页 |
| 4.6.2 实验结果及分析 | 第51-53页 |
| 4.7 本章小结 | 第53-54页 |
| 第五章 个性化实时推荐系统的设计及实现 | 第54-62页 |
| 5.1 引言 | 第54页 |
| 5.2 需求分析 | 第54页 |
| 5.3 相关平台技术介绍 | 第54-56页 |
| 5.3.1 Hadoop介绍 | 第54-55页 |
| 5.3.2 Storm介绍 | 第55页 |
| 5.3.3 Redis介绍 | 第55-56页 |
| 5.4 系统设计 | 第56-57页 |
| 5.4.1 系统的总体设计 | 第56-57页 |
| 5.4.2 运行环境 | 第57页 |
| 5.5 基于HADOOP的离线推荐模块的设计和实现 | 第57-59页 |
| 5.5.1 用户行为数据日志的预处理 | 第57页 |
| 5.5.2 离线推荐模块设计 | 第57-58页 |
| 5.5.3 过滤和排名 | 第58页 |
| 5.5.4 推荐解释 | 第58-59页 |
| 5.6 基于STORM的实时推荐模块的设计和实现 | 第59-60页 |
| 5.6.1 实时推荐模块设计 | 第59页 |
| 5.6.2 过滤和排名 | 第59-60页 |
| 5.7 系统推荐效果的验证及分析 | 第60-61页 |
| 5.7.1 实验数据 | 第60页 |
| 5.7.2 实验方法 | 第60页 |
| 5.7.3 实验结果及分析 | 第60-61页 |
| 5.8 本章小结 | 第61-62页 |
| 第六章 结论 | 第62-64页 |
| 6.1 全文总结 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 6.2.1 进一步的工作 | 第63页 |
| 6.2.2 推荐系统技术的展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 作者简介 | 第68页 |
| 作者在攻读硕士学位期间所发表的论文 | 第68-70页 |
| 致谢 | 第70页 |