| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第13-20页 |
| 1.1 研究背景及选题意义 | 第13-15页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 文献检索 | 第15-16页 |
| 1.2.2 国内外研究综述 | 第16-17页 |
| 1.3 本文主要研究内容 | 第17-18页 |
| 1.4 论文的组织结构 | 第18-20页 |
| 2 协同过滤算法以及相关技术研究 | 第20-31页 |
| 2.1 协同过滤推荐算法 | 第20-23页 |
| 2.1.1 协同过滤算法的基本原理 | 第20页 |
| 2.1.2 基于用户协同过滤算法 | 第20-21页 |
| 2.1.3 基于项目协同过滤算法 | 第21-22页 |
| 2.1.4 协同过滤算法的实际应用 | 第22页 |
| 2.1.5 协同过滤算法的不足 | 第22-23页 |
| 2.2 Slope One算法 | 第23-27页 |
| 2.2.1 Slope One算法简介 | 第23-25页 |
| 2.2.2 Weight Slope One算法 | 第25-26页 |
| 2.2.3 Bi-polar Slope One算法 | 第26-27页 |
| 2.3 大数据相关技术 | 第27-30页 |
| 2.3.1 Hadoop平台简介 | 第27-29页 |
| 2.3.2 Hive数据仓库介绍 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 家装方案推荐算法研究与设计 | 第31-43页 |
| 3.1 家装方案推荐算法选取以及改进思路 | 第31-38页 |
| 3.1.1 家装方案基础推荐算法选取 | 第31-32页 |
| 3.1.2 用户-项目评分矩阵项目相似度计算 | 第32-33页 |
| 3.1.3 项目类型相似度计算 | 第33-35页 |
| 3.1.4 基于项目相似度加权的slope one算法 | 第35-36页 |
| 3.1.5 综合Slope One算法的改进 | 第36-38页 |
| 3.2 实验环境 | 第38页 |
| 3.2.1 实验的软硬件环境 | 第38页 |
| 3.2.2 测试数据集的选取 | 第38页 |
| 3.3 实验结果分析 | 第38-42页 |
| 3.3.1 衡量指标 | 第38-39页 |
| 3.3.2 实验设计 | 第39页 |
| 3.3.3 UISO算法与传统Slope One改进算法的比较 | 第39-40页 |
| 3.3.4 基于不同相似度度量的UISO算法比较 | 第40-42页 |
| 3.4 本章小结 | 第42-43页 |
| 4 家装方案推荐引擎设计 | 第43-54页 |
| 4.1 需求分析 | 第43-45页 |
| 4.1.1 家装网站背景介绍以及总体目标 | 第43-44页 |
| 4.1.2 功能性需求 | 第44-45页 |
| 4.1.3 非功能性需求 | 第45页 |
| 4.2 家装方案推荐引擎的总体设计 | 第45-53页 |
| 4.2.1 家装方案推荐引擎总体架构设计 | 第45-46页 |
| 4.2.2 推荐引擎功能模块 | 第46-50页 |
| 4.2.3 数据库详细设计 | 第50-53页 |
| 4.3 本章小结 | 第53-54页 |
| 5 家装方案推荐引擎实现 | 第54-64页 |
| 5.1 用户行为日志采集的实现 | 第54-56页 |
| 5.2 离线数据预处理的实现 | 第56-58页 |
| 5.3 家装方案推荐算法的实现 | 第58-61页 |
| 5.4 在线推荐功能的实现 | 第61-63页 |
| 5.5 本章小结 | 第63-64页 |
| 6 测试 | 第64-68页 |
| 6.1 测试环境 | 第64-65页 |
| 6.2 应用效果测试 | 第65-66页 |
| 6.3 推荐结果界面展示 | 第66-67页 |
| 6.4 本章小结 | 第67-68页 |
| 7 总结和展望 | 第68-69页 |
| 7.1 本文工作总结 | 第68页 |
| 7.2 今后的研究方向 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 致谢 | 第72-73页 |
| 攻读学位期间发表的学术论文目录 | 第73页 |
