分布式协同过滤算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 引言 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.2 国内外发展状况 | 第12-15页 |
| 1.2.1 协同过滤推荐算法 | 第12-13页 |
| 1.2.2 基于云计算的协同过滤算法 | 第13-14页 |
| 1.2.3 基于GPU计算的协同过滤算法 | 第14页 |
| 1.2.4 发展趋势 | 第14-15页 |
| 1.3 论文研究内容和工作 | 第15页 |
| 1.4 本章小结 | 第15-16页 |
| 第2章 相关的关键理论及技术 | 第16-38页 |
| 2.1 协同过滤算法 | 第16-21页 |
| 2.1.1 协同过滤算法原理与分类 | 第16-20页 |
| 2.1.2 协同过滤算法存在的问题 | 第20-21页 |
| 2.2 推荐算法评价标准 | 第21-24页 |
| 2.2.1 预测准确度 | 第21-22页 |
| 2.2.2 分类准确度 | 第22-23页 |
| 2.2.3 排序准确度 | 第23-24页 |
| 2.2.4 多样性和新颖性 | 第24页 |
| 2.3 GPU通用计算技术 | 第24-31页 |
| 2.3.1 GPU计算原理 | 第25-27页 |
| 2.3.2 CUDA与JCUDA运算平台 | 第27-29页 |
| 2.3.3 CUDA与JCUDA编程模式 | 第29-31页 |
| 2.4 云计算平台研究 | 第31-36页 |
| 2.4.1 与推荐引擎相关的云计算数据管理 | 第32-33页 |
| 2.4.2 与推荐引擎相关的云计算计算模型 | 第33-36页 |
| 2.5 基于云计算平台的协同过滤推荐算法 | 第36-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第3章 基于GPU的协同过滤算法 | 第38-48页 |
| 3.1 单机协同过滤算法 | 第38-40页 |
| 3.1.1 单机协同过滤算法过程 | 第38-40页 |
| 3.2 基于GPU的协同过滤算法实现 | 第40-45页 |
| 3.2.1 协同过滤推荐器实现 | 第40-43页 |
| 3.2.2 基于GPU的协同过滤算法原理与实现 | 第43-45页 |
| 3.3 基于GPU的协同过滤算法结果分析 | 第45-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第4章 分布式协同过滤算法改进 | 第48-62页 |
| 4.1 分布式协同过滤算法 | 第48-51页 |
| 4.1.1 分布式协同过滤算法原理 | 第48-51页 |
| 4.2 分布式协同过滤算法改进 | 第51-60页 |
| 4.2.1 加权距离相似性度量方法 | 第52-53页 |
| 4.2.2 分布式协同过滤改进算法原理 | 第53-55页 |
| 4.2.3 分布式协同过滤改进算法实现 | 第55-60页 |
| 4.3 分布式协同过滤改进算法的性能分析 | 第60-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第5章 分布式推荐系统 | 第62-68页 |
| 5.1 分布式推荐系统设计 | 第62-63页 |
| 5.2 分布式推荐系统业务需求 | 第63-64页 |
| 5.3 分布式推荐系统集群环境 | 第64页 |
| 5.4 分布式推荐系统界面展示 | 第64-67页 |
| 5.4.1 主界面 | 第64-65页 |
| 5.4.2 资源管理页面 | 第65页 |
| 5.4.3 任务管理执行界面 | 第65-66页 |
| 5.4.4 结果对比分析界面 | 第66-67页 |
| 5.5 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 论文主要完成的工作 | 第68页 |
| 未来的展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读学位期间发表论文与研究成果清单 | 第74-75页 |
| 致谢 | 第75页 |
