| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状及分析 | 第12-14页 |
| 1.3 本文研究内容 | 第14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第二章 相关技术介绍 | 第16-27页 |
| 2.1 推荐系统介绍 | 第16-20页 |
| 2.1.1 推荐系统的概念和定义 | 第16-17页 |
| 2.1.2 推荐系统研究的问题 | 第17-18页 |
| 2.1.3 推荐系统评估标准及问题 | 第18-20页 |
| 2.2 协同过滤推荐算法 | 第20-25页 |
| 2.2.1 基于内存,基于内容和混合推荐 | 第20-22页 |
| 2.2.2 基于模型的推荐 | 第22-25页 |
| 2.3 Hadoop平台 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于双维度云模型的协同过滤推荐算法 | 第27-38页 |
| 3.1 问题描述 | 第27页 |
| 3.2 云模型相似性度量 | 第27-29页 |
| 3.2.1 云模型介绍 | 第27-28页 |
| 3.2.2 云模型相似度计算 | 第28-29页 |
| 3.3 基于双维度云模型的协同过滤推荐算法 | 第29-34页 |
| 3.3.1 未评分项的预测填充 | 第29-30页 |
| 3.3.2 双维度预测评分计算 | 第30页 |
| 3.3.3 综合预测评分 | 第30-31页 |
| 3.3.4 基于双维度云模型协同过滤推荐算法实现 | 第31-32页 |
| 3.3.5 推荐过程的MapReduce处理流程 | 第32-34页 |
| 3.4 实验及分析 | 第34-37页 |
| 3.4.1 实验环境与数据度量标准 | 第34页 |
| 3.4.2 不同调和参数φ对MAE值的影响实验 | 第34-35页 |
| 3.4.3 集群与单机实验及对比 | 第35-36页 |
| 3.4.4 与其他推荐算法的对比实验 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 引入隐式反馈的多维度推荐算法 | 第38-50页 |
| 4.1 问题描述 | 第38-39页 |
| 4.2 引入隐式反馈的多维度推荐算法 | 第39-43页 |
| 4.3 推荐过程的MapReduce处理 | 第43-46页 |
| 4.3.1 特征矩阵更新的MapReduce处理 | 第44-45页 |
| 4.3.2 均方根误差(RMSE)的MapReduce处理 | 第45-46页 |
| 4.4 实验及分析 | 第46-48页 |
| 4.4.1 实验环境与数据度量标准 | 第46页 |
| 4.4.2 加速性能测试实验 | 第46-47页 |
| 4.4.3 与其他推荐算法的对比实验 | 第47-48页 |
| 4.5 本章小结 | 第48-50页 |
| 第五章 引入隐式反馈的多维度推荐系统设计 | 第50-60页 |
| 5.1 推荐系统需求分析 | 第50-51页 |
| 5.1.1 系统需求概述 | 第50页 |
| 5.1.2 系统运行环境概述 | 第50-51页 |
| 5.2 推荐系统具体设计 | 第51-53页 |
| 5.2.1 推荐流程 | 第51-52页 |
| 5.2.2 系统逻辑架构 | 第52-53页 |
| 5.3 原型系统搭建及数据处理 | 第53-55页 |
| 5.3.1 系统搭建 | 第53-54页 |
| 5.3.2 系统数据处理 | 第54-55页 |
| 5.4 系统功能模块设计 | 第55-59页 |
| 5.4.1 用户注册模块设计 | 第55-56页 |
| 5.4.2 用户登录模块设计 | 第56-57页 |
| 5.4.3 电影信息推送模块设计 | 第57页 |
| 5.4.4 电影信息评分模块设计 | 第57-58页 |
| 5.4.5 个性化信息推送模块设计 | 第58-59页 |
| 5.4.6 推荐列表展示模块实现 | 第59页 |
| 5.5 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-63页 |
| 6.1 本文总结 | 第60-61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读学位期间主要的研究成果 | 第67-68页 |
| 致谢 | 第68页 |