云计算下基于混合算法的协同过滤推荐技术优化研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及选题意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 推荐系统研究现状 | 第9页 |
| 1.2.2 协同过滤推荐研究现状 | 第9-12页 |
| 1.3 论文主要研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第二章 相关技术与理论概述 | 第14-24页 |
| 2.1 协同过滤推荐算法 | 第14-17页 |
| 2.1.1 基于用户的协同过滤推荐算法 | 第14-16页 |
| 2.1.2 基于项目的协同过滤推荐算法 | 第16-17页 |
| 2.2 混合算法相关技术概述 | 第17-20页 |
| 2.2.1 聚类算法原理概述 | 第17-18页 |
| 2.2.2 遗传算法原理概述 | 第18-20页 |
| 2.3 云计算相关技术概述 | 第20-23页 |
| 2.3.1 Hadoop概述 | 第20-21页 |
| 2.3.2 HDFS概述 | 第21-22页 |
| 2.3.3 MapReduce概述 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 协同过滤算法的优化 | 第24-36页 |
| 3.1 协同过滤存在的问题 | 第24-25页 |
| 3.1.1 稀疏性问题 | 第24页 |
| 3.1.2 冷启动问题 | 第24-25页 |
| 3.1.3 扩展性问题 | 第25页 |
| 3.2 基于混合算法的协同过滤推荐算法 | 第25-35页 |
| 3.2.1 用户和项目特征描述 | 第25-27页 |
| 3.2.2 相似度计算 | 第27页 |
| 3.2.3 聚类模型的生成 | 第27-32页 |
| 3.2.4 解决冷启动问题的推荐算法实现 | 第32-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第四章 优化算法的并行化实现 | 第36-50页 |
| 4.1 聚类模型生成的MapReduce并行化 | 第36-45页 |
| 4.2 新用户划分的MapReduce并行化 | 第45-47页 |
| 4.3 进行推荐的MapReduce并行化 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 实验分析 | 第50-58页 |
| 5.1 实验环境 | 第50-51页 |
| 5.1.1 实验平台 | 第50页 |
| 5.1.2 实验数据 | 第50-51页 |
| 5.2 实验评价标准 | 第51-52页 |
| 5.3 实验结果及分析 | 第52-57页 |
| 5.3.1 聚类算法优化实验 | 第52-53页 |
| 5.3.2 最近邻个数选择实验 | 第53-54页 |
| 5.3.3 协同过滤算法解决冷启动问题的实验 | 第54-55页 |
| 5.3.4 算法的可扩展性实验 | 第55-56页 |
| 5.3.5 算法分布式处理的加速比实验 | 第56-57页 |
| 5.4 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 攻读硕士学位期间的研究成果及参加的科研项目 | 第64页 |
