摘要 | 第3-4页 |
Abstract | 第4-5页 |
第1章 绪论 | 第8-13页 |
1.1 研究背景 | 第8页 |
1.2 研究意义 | 第8-9页 |
1.3 国内外研究现状 | 第9-11页 |
1.3.1 国外研究现状 | 第9-10页 |
1.3.2 国内研究现状 | 第10-11页 |
1.4 本文的研究内容 | 第11页 |
1.5 论文组织结构 | 第11-12页 |
1.6 本章小结 | 第12-13页 |
第2章 微博用户推荐相关技术概述 | 第13-21页 |
2.1 个性化推荐 | 第13-17页 |
2.1.1 个性化推荐概述 | 第13-14页 |
2.1.2 个性化推荐的工作原理 | 第14-15页 |
2.1.3 个性化好友推荐算法 | 第15-17页 |
2.2 Spark并行计算框架 | 第17-19页 |
2.2.1 Spark应用的基本运行流程 | 第17-19页 |
2.2.2 弹性分布式数据集RDD的使用流程 | 第19页 |
2.3 本章小结 | 第19-21页 |
第3章 基于Canopy和粗糙集的CRS-KNN文本分类算法 | 第21-31页 |
3.1 引言 | 第21页 |
3.2 优化KNN算法的相关工作 | 第21-22页 |
3.3 CRS-KNN算法基础理论 | 第22-23页 |
3.3.1 Canopy算法介绍 | 第22页 |
3.3.2 粗糙集的上、下近似集 | 第22-23页 |
3.3.3 KNN算法 | 第23页 |
3.4 数据的预处理 | 第23-25页 |
3.4.1 特征选择 | 第23-24页 |
3.4.2 构造空间向量模型 | 第24-25页 |
3.5 CRS-KNN算法 | 第25-27页 |
3.5.1 Canopy算法 | 第26页 |
3.5.2 CRS-KNN算法 | 第26-27页 |
3.6 实验设计与分析 | 第27-30页 |
3.6.1 实验环境与实验数据 | 第27页 |
3.6.2 评价指标 | 第27-28页 |
3.6.3 实验结果及分析 | 第28-30页 |
3.7 本章小结 | 第30-31页 |
第4章 基于多源信息相似度的微博用户推荐算法 | 第31-42页 |
4.1 引言 | 第31页 |
4.2 推荐算法相关研究 | 第31-32页 |
4.3 多源信息相似度 | 第32-34页 |
4.3.1 用户微博内容相似度计算 | 第32-33页 |
4.3.2 用户交互行为相似度计算 | 第33页 |
4.3.3 用户社交关系相似度计算 | 第33-34页 |
4.4 MISUR微博用户推荐算法 | 第34-37页 |
4.4.1 微博用户分类 | 第34页 |
4.4.2 影响多源信息总相似度的因素 | 第34-35页 |
4.4.3 微博用户推荐 | 第35-37页 |
4.4.4 MISUR微博用户推荐算法并行化实现 | 第37页 |
4.5 实验结果与分析 | 第37-41页 |
4.5.1 实验环境与数据预处理 | 第37-38页 |
4.5.2 实验评价指标 | 第38页 |
4.5.3 实验结果分析 | 第38-41页 |
4.6 本章小结 | 第41-42页 |
第5章 总结与展望 | 第42-44页 |
5.1 总结 | 第42页 |
5.2 展望 | 第42-44页 |
参考文献 | 第44-48页 |
在读期间发表的学术论文及研究成果 | 第48-49页 |
致谢 | 第49页 |