基于多推荐算法融合的视频实时推荐系统的设计与实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 本论文专用术语注释表 | 第10-11页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 论文研究内容及意义 | 第15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 相关技术介绍 | 第17-27页 |
| 2.1 Spark相关技术 | 第17-19页 |
| 2.1.1 Spark Streaming | 第18页 |
| 2.1.2 Spark MLlib | 第18-19页 |
| 2.2 数据采集框架 | 第19-21页 |
| 2.2.1 Kafka | 第19-21页 |
| 2.2.2 Flume NG | 第21页 |
| 2.3 推荐算法相关技术 | 第21-24页 |
| 2.3.1 基于内容数据的推荐 | 第22-23页 |
| 2.3.2 基于用户行为数据的推荐 | 第23-24页 |
| 2.3.3 混合推荐 | 第24页 |
| 2.4 其他相关技术 | 第24-25页 |
| 2.4.1 HBase | 第24-25页 |
| 2.4.2 Zookeeper | 第25页 |
| 2.5 本章小结 | 第25-27页 |
| 第三章 实时推荐计算模型的设计 | 第27-37页 |
| 3.1 三层架构思想 | 第27-28页 |
| 3.2 实时推荐计算模型需求分析 | 第28页 |
| 3.3 实时推荐计算模型的架构和设计 | 第28-35页 |
| 3.3.1 数据传输层 | 第29-31页 |
| 3.3.2 离线层 | 第31-32页 |
| 3.3.3 近线层 | 第32-33页 |
| 3.3.4 在线层 | 第33-34页 |
| 3.3.5 数据存储层 | 第34-35页 |
| 3.4 本章小结 | 第35-37页 |
| 第四章 系统推荐算法的设计与实现 | 第37-47页 |
| 4.1 基于内容的推荐 | 第37-40页 |
| 4.1.1 视频特征向量抽取 | 第37-39页 |
| 4.1.2 用户画像建立 | 第39页 |
| 4.1.3 基于内容推荐的增量模型 | 第39-40页 |
| 4.2 基于协同的推荐 | 第40-42页 |
| 4.2.1 ALS算法原理和实现 | 第40-42页 |
| 4.2.2 特征向量的增量计算模型 | 第42页 |
| 4.3 基于用户偏好整合的推荐算法 | 第42-45页 |
| 4.4 推荐算法的融合策略 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 系统实现与测试 | 第47-57页 |
| 5.1 系统整体设计 | 第47-49页 |
| 5.1.1 数据采集模块 | 第48页 |
| 5.1.2 推荐算法执行模块 | 第48页 |
| 5.1.3 数据存储模块 | 第48-49页 |
| 5.2 系统实现 | 第49-52页 |
| 5.2.1 实验平台搭建 | 第49-50页 |
| 5.2.2 数据采集实现 | 第50-51页 |
| 5.2.3 推荐算法部署 | 第51-52页 |
| 5.3 系统测试与分析 | 第52-55页 |
| 5.3.1 时效性测试 | 第52-53页 |
| 5.3.2 推荐准确度测试 | 第53-55页 |
| 5.4 本章小结 | 第55-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-63页 |
| 作者简介 | 第63页 |
