| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 课题背景 | 第12-16页 |
| 1.1.1 国内研究现状 | 第13-14页 |
| 1.1.2 国外研究现状 | 第14-16页 |
| 1.2 研究目的 | 第16页 |
| 1.3 本文贡献及创新点 | 第16-17页 |
| 1.4 论文结构 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第2章 背景技术 | 第19-30页 |
| 2.1 推荐系统概述 | 第19-20页 |
| 2.2 传统推荐系统算法 | 第20-26页 |
| 2.2.1 基于协同过滤的推荐算法 | 第20-22页 |
| 2.2.2 基于关联关系的推荐算法 | 第22-23页 |
| 2.2.3 基于上下文感知的推荐算法 | 第23-24页 |
| 2.2.4 基于社交网络的推荐算法 | 第24-25页 |
| 2.2.5 传统推荐算法在位置服务上的局限性 | 第25-26页 |
| 2.3 大数据处理技术 | 第26-29页 |
| 2.3.1 Oozie | 第26页 |
| 2.3.2 Hadoop | 第26-27页 |
| 2.3.3 Spark | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 推荐系统总体框架设计 | 第30-40页 |
| 3.1 总体功能与要求 | 第30-32页 |
| 3.1.1 系统总体要求 | 第30-31页 |
| 3.1.2 功能设计 | 第31-32页 |
| 3.2 系统总体架构 | 第32-35页 |
| 3.2.1 系统总体架构设计 | 第32-33页 |
| 3.2.2 数据ETL调度层 | 第33-34页 |
| 3.2.3 推荐算法层 | 第34页 |
| 3.2.4 推荐服务层 | 第34-35页 |
| 3.3 系统总体流程 | 第35-38页 |
| 3.3.1 数据的采集流程 | 第36-37页 |
| 3.3.2 推荐服务流程 | 第37-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第4章 基于Oozie的数据ETL调度模块 | 第40-52页 |
| 4.1 调度模块介绍 | 第40页 |
| 4.2 Oozie数据流的工作原理 | 第40-46页 |
| 4.2.1 基于DAG的工作流(Workflow) | 第42-44页 |
| 4.2.2 定时触发的工作流调度(Coordinator) | 第44-45页 |
| 4.2.3 批处理调度任务(Bundle) | 第45-46页 |
| 4.3 调度模块的整体实现 | 第46-51页 |
| 4.3.1 工作流节点的编辑 | 第46-49页 |
| 4.3.2 特征提取与数据预处理调度 | 第49-50页 |
| 4.3.3 离线计算调度 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 基于Spark的推荐算法模块 | 第52-61页 |
| 5.1 推荐算法模块介绍 | 第52-53页 |
| 5.2 基于位置的推荐算法 | 第53-58页 |
| 5.2.1 基于区域流行度的推荐算法 | 第53-54页 |
| 5.2.2 基于区域购买记录的协同过滤 | 第54-55页 |
| 5.2.3 基于地区相似度聚类算法 | 第55-57页 |
| 5.2.4 基于地区相似度的协同过滤 | 第57页 |
| 5.2.5 基于区域活跃用户的品牌推荐 | 第57-58页 |
| 5.3 推荐服务的实现方法 | 第58-60页 |
| 5.3.1 推荐服务模块介绍 | 第58-59页 |
| 5.3.2 基于Akka的推荐服务webservice实现方法 | 第59-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第6章 实验与分析 | 第61-74页 |
| 6.1 实验环境与数据 | 第61-62页 |
| 6.2 实验结果 | 第62-72页 |
| 6.2.1 实验数据分析 | 第62-65页 |
| 6.2.2 性能测试结果 | 第65-68页 |
| 6.2.3 推荐结果测评 | 第68-72页 |
| 6.3 测试结论 | 第72页 |
| 6.4 本章小结 | 第72-74页 |
| 第7章 总结与展望 | 第74-77页 |
| 7.1 工作总结 | 第74-75页 |
| 7.2 展望 | 第75-77页 |
| 参考文献 | 第77-79页 |
| 攻读硕士学位期间主要的研究成果 | 第79-81页 |
| 致谢 | 第81页 |
