| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文的主要内容与结构安排 | 第12-15页 |
| 1.3.1 论文内容 | 第12-13页 |
| 1.3.2 论文结构安排 | 第13-15页 |
| 第二章 相关研究 | 第15-30页 |
| 2.1 Spark分布式计算框架 | 第15-18页 |
| 2.1.1 Spark概述 | 第15页 |
| 2.1.2 Spark RDD | 第15-16页 |
| 2.1.3 Spark运行架构 | 第16-17页 |
| 2.1.4 Spark MLlib | 第17-18页 |
| 2.2 Deeplearning4j概述 | 第18-19页 |
| 2.3 推荐算法分类 | 第19-26页 |
| 2.3.1 基于内容的推荐算法 | 第20-22页 |
| 2.3.2 基于协同过滤的推荐算法 | 第22-25页 |
| 2.3.3 基于混合模型的推荐算法 | 第25-26页 |
| 2.4 深度学习 | 第26-29页 |
| 2.4.1 深度学习原理 | 第26-28页 |
| 2.4.2 基于深度学习的推荐 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于交替最小二乘(ALS)的推荐方法研究 | 第30-36页 |
| 3.1 交替最小二乘算法原理 | 第30-31页 |
| 3.2 交替最小二乘算法设计 | 第31-33页 |
| 3.3 基于加权流行改进的交替最小二乘算法 | 第33-35页 |
| 3.3.1 加权流行思想 | 第33页 |
| 3.3.2 基于加权流行改进的交替最小二乘算法 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于循环神经网络(RNN)的动态推荐研究 | 第36-47页 |
| 4.1 动态推荐的含义 | 第36页 |
| 4.2 循环神经网络原理 | 第36-37页 |
| 4.3 基于RNN的动态推荐方法 | 第37-44页 |
| 4.3.1 基于LSTM的动态推荐方法 | 第37-43页 |
| 4.3.2 基于GRU的动态推荐方法 | 第43-44页 |
| 4.4 结合矩阵分解与RNN的动态推荐方法 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于Spark平台的推荐系统实现 | 第47-68页 |
| 5.1 Spark平台搭建 | 第47-50页 |
| 5.2 基于Spark平台的ALS推荐系统实现 | 第50-52页 |
| 5.2.1 传统ALS推荐系统的实现 | 第50-52页 |
| 5.2.2 基于流行加权改进的ALS推荐系统的实现 | 第52页 |
| 5.3 基于Spark平台的RNN动态推荐系统实现 | 第52-55页 |
| 5.3.1 基于LSTM和GRU的动态推荐系统的实现 | 第52-54页 |
| 5.3.2 基于矩阵分解与RNN的动态推荐系统的实现 | 第54-55页 |
| 5.4 实验及结果分析 | 第55-66页 |
| 5.4.1 实验设计 | 第55-56页 |
| 5.4.2 评估指标 | 第56-58页 |
| 5.4.3 实验结果与分析 | 第58-66页 |
| 5.5 本章小结 | 第66-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 工作总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间的研究成果目录 | 第74-75页 |
| 致谢 | 第75页 |
