| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第6-9页 |
| 1.1 课题研究背景 | 第6页 |
| 1.2 课题研究内容与意义 | 第6-8页 |
| 1.3 推荐引擎研究的现状 | 第8页 |
| 1.4 本文的章节安排 | 第8-9页 |
| 第二章 推荐引擎的算法设计 | 第9-22页 |
| 2.1 推荐引擎的定义及分类 | 第9-11页 |
| 2.2 推荐算法的评估与设计 | 第11-22页 |
| 第三章 分布式推荐引擎的设计与实现 | 第22-47页 |
| 3.1 集成HADOOP分布式计算框架 | 第22-31页 |
| 3.1.1 集成HDFS分布式文件系统 | 第22-28页 |
| 3.1.2 集成MapReduce分布式计算模型 | 第28-30页 |
| 3.1.3 集成HADOOP STREAMING计算框架 | 第30-31页 |
| 3.2 集成HBASE分布式数据库 | 第31-38页 |
| 3.2.1 HBase基本原理 | 第31-32页 |
| 3.2.2 集成HBase数据模型 | 第32-35页 |
| 3.2.3 HBase系统架构 | 第35-38页 |
| 3.2.4 HBase存储格式 | 第38页 |
| 3.3 集成MAHOUT算法库 | 第38-41页 |
| 3.3.1 Mahout算法库原理简介 | 第38-39页 |
| 3.3.2 集成协同过滤推荐器 | 第39-41页 |
| 3.4 搭建分布式推荐引擎运行时环境 | 第41-47页 |
| 3.4.1 应用CDH加速运行时环境设置 | 第41-42页 |
| 3.4.2 建立分布式推荐引擎运行时环境 | 第42-43页 |
| 3.4.3 系统架构设计与模块功能实现 | 第43-47页 |
| 第四章 推荐引擎在电影数据集上的应用 | 第47-54页 |
| 4.1 推荐系统算法实现 | 第47-51页 |
| 4.1.1 非分布式算法实现 | 第47-48页 |
| 4.1.2 分布式协同过滤算法实现 | 第48-51页 |
| 4.2 推荐引擎在GROUPLENS电影数据集上的应用 | 第51-54页 |
| 4.2.1 基于推荐算法非分布式实现的应用 | 第51-53页 |
| 4.2.2 基于推荐算法分布式协同过滤模型的应用 | 第53-54页 |
| 第五章 结论 | 第54-56页 |
| 5.1 论文总结 | 第54页 |
| 5.2 不足与展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |