基于Spark的可扩展的协同过滤推荐算法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 推荐系统及主要算法简介 | 第9-11页 |
| 1.2.1 推荐系统简介 | 第9-10页 |
| 1.2.2 推荐系统的主要算法 | 第10-11页 |
| 1.3 协同过滤算法研究现状 | 第11-12页 |
| 1.4 论文研究内容 | 第12-13页 |
| 1.5 论文结构 | 第13-15页 |
| 第二章 相关背景知识介绍 | 第15-24页 |
| 2.1 协同过滤技术 | 第15-17页 |
| 2.1.1 协同过滤技术简介 | 第15-16页 |
| 2.1.2 协同过滤技术分类 | 第16-17页 |
| 2.2 协同过滤算法流程 | 第17-21页 |
| 2.2.1 用户-项目评分关系模型 | 第17-18页 |
| 2.2.2 相似性计算 | 第18-19页 |
| 2.2.3 近邻的选择和推荐列表的生成 | 第19-21页 |
| 2.3 Spark计算平台概述 | 第21-23页 |
| 2.3.1 Spark简介 | 第21-22页 |
| 2.3.2 弹性分布式数据集和共享变量 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于模糊聚类的可扩展的协同过滤算法 | 第24-34页 |
| 3.1 问题的阐述 | 第24页 |
| 3.2 基于模糊聚类的可扩展的协同过滤方法 | 第24-30页 |
| 3.2.1 数据描述及相关定义 | 第25页 |
| 3.2.2 相似度计算公式的改进 | 第25-26页 |
| 3.2.3 算法描述 | 第26-30页 |
| 3.3 SCF算法在Spark平台的实现 | 第30-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 基于项目的增量更新的协同过滤方法 | 第34-46页 |
| 4.1 问题的阐述与分析 | 第34页 |
| 4.2 基于增量更新的协同过滤算法 | 第34-43页 |
| 4.2.1 因式的分解 | 第34-35页 |
| 4.2.2 增量更新规则 | 第35-40页 |
| 4.2.3 算法描述 | 第40-43页 |
| 4.3 IB-ICF算法在Spark平台的实现 | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 实验设计与结果分析 | 第46-56页 |
| 5.1 实验数据集和环境 | 第46-48页 |
| 5.1.1 实验数据集 | 第46页 |
| 5.1.2 实验环境 | 第46-47页 |
| 5.1.3 实验评价标准 | 第47-48页 |
| 5.2 实验设计与结果分析 | 第48-54页 |
| 5.2.1 改进的相似度公式的有效性 | 第48-49页 |
| 5.2.2 SCF算法的运行时间和精度 | 第49-50页 |
| 5.2.3 IB-ICF的可扩展性 | 第50-52页 |
| 5.2.4 IB-ICF的增量学习有效性 | 第52-54页 |
| 5.3 本章小结 | 第54-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 论文总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第61-62页 |
| 致谢 | 第62页 |
