| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文研究内容 | 第12页 |
| 1.4 本文组织结构 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 2 相关技术基础 | 第14-26页 |
| 2.1 计算和典型云计算平台概述 | 第14-16页 |
| 2.1.1 云计算的服务方式 | 第14-15页 |
| 2.1.2 典型云计算平台 | 第15-16页 |
| 2.2 个性化推荐系统概述 | 第16-18页 |
| 2.3 基于用户的协同过滤推荐算法介绍 | 第18-20页 |
| 2.3.1 推荐问题定义 | 第19页 |
| 2.3.2 算法具体过程 | 第19-20页 |
| 2.4 GPU通用计算和CUDA编程模型 | 第20-25页 |
| 2.4.1 CUDA编程模型 | 第21-22页 |
| 2.4.2 CUDA线程结构和执行模型 | 第22-23页 |
| 2.4.3 CUDA存储器模型 | 第23-25页 |
| 2.5 MPI编程 | 第25页 |
| 2.6 本章小结 | 第25-26页 |
| 3 基于AWS GPU集群的协同过滤算法的设计与实现 | 第26-41页 |
| 3.1 AWS GPU集群计算环境的搭建和管理 | 第26-28页 |
| 3.2 算法并行性研究 | 第28页 |
| 3.2.1 协同过滤算法的并行研究 | 第28页 |
| 3.3 算法的并行和集群任务的划分 | 第28-30页 |
| 3.3.1 计算任务的并行 | 第28-29页 |
| 3.3.2 集群任务的划分 | 第29-30页 |
| 3.4 评分数据的加载 | 第30-32页 |
| 3.5 并行算法的优化 | 第32页 |
| 3.5.1 CUDA全局内存的访问优化 | 第32页 |
| 3.5.2 细粒度线程并行优化 | 第32页 |
| 3.6 并行算法的具体实现 | 第32-36页 |
| 3.6.1 集群任务划分 | 第32-33页 |
| 3.6.2 动态数据加载 | 第33-34页 |
| 3.6.3 计算相似矩阵 | 第34-35页 |
| 3.6.4 计算最相似用户 | 第35-36页 |
| 3.6.5 预测和推荐 | 第36页 |
| 3.7 算法实验和结论 | 第36-40页 |
| 3.8 本章小结 | 第40-41页 |
| 4 基于AWS GPU集群的协同过滤算法的应用 | 第41-53页 |
| 4.1 内容聚合类应用个性化推荐的需求分析 | 第41-43页 |
| 4.1.1 内容聚合类应用的发展 | 第41-42页 |
| 4.1.2 内容聚合类应用里个性化推荐的需求分析 | 第42-43页 |
| 4.2 基于AWS的应用系统的架构设计 | 第43-45页 |
| 4.3 本文算法在内容聚合类应用推荐系统中的应用 | 第45-52页 |
| 4.3.1 推荐系统结构 | 第46页 |
| 4.3.2 用户偏好收集 | 第46-49页 |
| 4.3.3 内容推荐系统实现 | 第49-52页 |
| 4.4 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间发表学术论文情况 | 第57-58页 |
| 致谢 | 第58-59页 |