| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 推荐系统的研究现状 | 第10-11页 |
| 1.3 本文的研究内容 | 第11页 |
| 1.4 本文的结构安排 | 第11-13页 |
| 第2章 传统推荐系统及其评价方法 | 第13-25页 |
| 2.1 基于邻域的协同过滤推荐算法 | 第13-16页 |
| 2.1.1 基于用户的协同过滤算法 | 第13-15页 |
| 2.1.2 基于物品的协同过滤算法 | 第15-16页 |
| 2.2 基于内容的推荐算法 | 第16-18页 |
| 2.3 基于隐语义模型的推荐算法 | 第18-21页 |
| 2.3.1 奇异值分解模型 | 第18-19页 |
| 2.3.2 奇异值分解算法 | 第19-20页 |
| 2.3.3 隐语义模型 | 第20-21页 |
| 2.4 推荐算法的质量评价方法 | 第21-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第3章 相关重点技术研究和评估 | 第25-37页 |
| 3.1 基于密度的聚类算法 | 第25-27页 |
| 3.1.1 DBSCAN算法 | 第25-26页 |
| 3.1.2 密度峰值聚类算法 | 第26-27页 |
| 3.2 局部敏感哈希算法原理 | 第27-29页 |
| 3.2.1 局部敏感哈希算法 | 第27-28页 |
| 3.2.2 基于余弦距离的哈希函数簇 | 第28-29页 |
| 3.3 改进的局部敏感哈希算法 | 第29-31页 |
| 3.3.1 常见改进的局部敏感哈希算法 | 第29-30页 |
| 3.3.2 基于次数排序的局部敏感哈希算法 | 第30-31页 |
| 3.4 几种局部敏感哈希算法性能测试 | 第31-36页 |
| 3.4.1 实验数据和环境 | 第31-32页 |
| 3.4.2 实验结果分析 | 第32-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 改进K-means优化协同过滤算法 | 第37-48页 |
| 4.1 K-means算法原理 | 第37-38页 |
| 4.2 K-means算法的改进与优化 | 第38-40页 |
| 4.2.1 K-means算法改进的基本思想 | 第38-39页 |
| 4.2.2 K-means算法改进的步骤 | 第39-40页 |
| 4.3 基于改进的K-means和LFM的协同过滤算法 | 第40-47页 |
| 4.3.1 优化协同过滤算法的原理 | 第40-43页 |
| 4.3.2 实验环境和结果分析 | 第43-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 基于Spark的新闻推荐系统设计与实现 | 第48-61页 |
| 5.1 新闻推荐系统相关技术 | 第48-51页 |
| 5.1.1 Spark核心技术和生态系统 | 第48-51页 |
| 5.1.2 其他相关技术 | 第51页 |
| 5.2 新闻推荐系统设计 | 第51-58页 |
| 5.2.1 系统总体架构 | 第52-54页 |
| 5.2.2 系统模块设计 | 第54-56页 |
| 5.2.3 数据库设计 | 第56-58页 |
| 5.3 新闻推荐系统实现 | 第58-60页 |
| 5.4 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 攻读学位期间取得学术成果 | 第67页 |