| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 选题依据 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 推荐系统研究现状 | 第10-13页 |
| 1.2.2 分布式数据处理平台研究现状 | 第13-14页 |
| 1.3 论文研究内容及意义 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 相关理论与技术 | 第17-33页 |
| 2.1 推荐系统相关技术 | 第17-24页 |
| 2.1.1 推荐系统概念与应用 | 第17-18页 |
| 2.1.2 协同过滤推荐算法 | 第18-22页 |
| 2.1.3 常用相似度计算方式 | 第22-23页 |
| 2.1.4 推荐系统评价指标 | 第23-24页 |
| 2.2 大数据相关技术 | 第24-30页 |
| 2.2.1 分布式文件系统 | 第24-26页 |
| 2.2.2 Spark开源分布式计算框架 | 第26-29页 |
| 2.2.3 Scala语言简介 | 第29-30页 |
| 2.3 信任模型相关理论 | 第30-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 多特征混合的协同过滤算法 | 第33-49页 |
| 3.1 问题分析 | 第33页 |
| 3.2 融合用户信任度的协同过滤算法 | 第33-40页 |
| 3.2.1 用户信誉度 | 第34-35页 |
| 3.2.2 直接信任度 | 第35页 |
| 3.2.3 间接信任度 | 第35-36页 |
| 3.2.4 相似关系-信任关系融合 | 第36-37页 |
| 3.2.5 聚类方案 | 第37-39页 |
| 3.2.6 算法运行流程 | 第39-40页 |
| 3.3 基于项目兴趣点特征的协同过滤算法 | 第40-45页 |
| 3.3.1 项目兴趣点模型 | 第41-42页 |
| 3.3.2 用户兴趣点模型 | 第42-43页 |
| 3.3.3 矩阵分解模型构建 | 第43-45页 |
| 3.3.4 算法运行流程 | 第45页 |
| 3.4 推荐模型融合方案 | 第45-47页 |
| 3.5 本章小节 | 第47-49页 |
| 第四章 基于Spark的推荐系统的设计与实现 | 第49-61页 |
| 4.1 系统架构 | 第49-50页 |
| 4.2 系统设计与实现 | 第50-57页 |
| 4.2.1 数据仓库模块 | 第51-52页 |
| 4.2.2 离线计算模块 | 第52-54页 |
| 4.2.3 推荐引擎模块 | 第54-56页 |
| 4.2.4 配置解析模块 | 第56-57页 |
| 4.2.5 配置模块 | 第57页 |
| 4.3 系统集成与API实现 | 第57-59页 |
| 4.4 本章小节 | 第59-61页 |
| 第五章 实验分析 | 第61-73页 |
| 5.1 研究问题 | 第61页 |
| 5.2 实验方法 | 第61-65页 |
| 5.2.1 实验数据 | 第61页 |
| 5.2.2 项目部署 | 第61-64页 |
| 5.2.3 评测指标 | 第64-65页 |
| 5.3 实验结果 | 第65-72页 |
| 5.3.1 分析融合信任关系和相似度关系对推荐效果的影响(RQ1) | 第65-66页 |
| 5.3.2 分析用户聚类数目和最近邻居数目对融合用户信任度推荐的影响(RQ2) | 第66-68页 |
| 5.3.3 分析兴趣点推荐个数和时间衰减因子对基于兴趣点推荐的影响(RQ3) | 第68页 |
| 5.3.4 混合策略及对比实验(RQ4) | 第68-71页 |
| 5.3.5 集群环境对算法性能的影响(RQ5) | 第71-72页 |
| 5.4 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 总结 | 第73页 |
| 6.2 展望 | 第73-75页 |
| 致谢 | 第75-77页 |
| 参考文献 | 第77-79页 |
