| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 主要研究内容 | 第12-13页 |
| 1.4 论文结构 | 第13-14页 |
| 1.5 本章小节 | 第14-15页 |
| 第二章 Spark云计算框架 | 第15-21页 |
| 2.1 云计算简介 | 第15-16页 |
| 2.2 Spark简介 | 第16页 |
| 2.3 Spark系统架构 | 第16-20页 |
| 2.3.1 Spark设计思想 | 第17-18页 |
| 2.3.2 Spark RDD及编程实践 | 第18-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 推荐算法相关技术 | 第21-33页 |
| 3.1 推荐系统 | 第21-22页 |
| 3.2 常用推荐算法介绍 | 第22-26页 |
| 3.2.1 矩阵分解推荐算法 | 第23-25页 |
| 3.2.2 加入偏置项的矩阵分解推荐算法 | 第25-26页 |
| 3.3 上下文感知推荐算法 | 第26-30页 |
| 3.3.1 上下文信息的定义 | 第26页 |
| 3.3.2 上下文信息的获取 | 第26-27页 |
| 3.3.3 上下文信息的过滤 | 第27-30页 |
| 3.4 时间上下文相关的算法 | 第30-32页 |
| 3.4.1 融合时间上下文的ItemCF算法 | 第30-31页 |
| 3.4.2 融合时间上下文的UserCF算法 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 基于Spark的矩阵分解与最近邻融合的推荐算法 | 第33-43页 |
| 4.1 概述 | 第33页 |
| 4.2 算法设计 | 第33-39页 |
| 4.2.1 问题分析 | 第33-34页 |
| 4.2.2 优化方案 | 第34-36页 |
| 4.2.3 基于Spark的并行化分析 | 第36-39页 |
| 4.3 实验与分析 | 第39-42页 |
| 4.3.1 实验环境 | 第39页 |
| 4.3.2 实验数据 | 第39页 |
| 4.3.3 评测标准 | 第39-40页 |
| 4.3.4 实验结果 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 融入时间上下文的矩阵分解算法 | 第43-52页 |
| 5.1 概述 | 第43页 |
| 5.2 时间效应分析 | 第43-44页 |
| 5.3 算法设计 | 第44-46页 |
| 5.4 实验与分析 | 第46-51页 |
| 5.4.1 实验数据 | 第46-47页 |
| 5.4.2 实验设置与评测标准 | 第47-48页 |
| 5.4.3 实验结果 | 第48-51页 |
| 5.5 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-53页 |
| 6.1 总结 | 第52页 |
| 6.2 展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 附录 | 第57-59页 |
| 图版 | 第59-60页 |
| 表版 | 第60-61页 |