声明
符号、缩略词以及本论文专用术语的注释表
第一章 绪论
1.1论文背景和意义
1.2国内外研究状况
1.3本文主要工作
1.4论文结构
第二章 推荐系统相关理论技术
2.1 常用的推荐算法
基于内容的推荐
基于协同过滤的推荐
基于关联规则推荐
基于效用推荐
基于知识推荐
综合推荐
2.2 Hadoop数据处理的技术以及优势
第三章 IPTV数据分析及推荐模型设计
3.1 推荐系统的需求
3.2 IPTV数据类型
3.2.1 用户定购数据
3.2.2 用户服务话单数据
3.2.3 直播节目单数据
3.2.4 用户信息数据
3.3数据的预处理与解析
(1)Book.dat
(2)MOVIE.DAT
(3)Evaluate.dat
3.4 IPTV推荐模型实例
3.4.1 基于用户的皮尔逊相似度的推荐模型
3.4.2基于节目内容的推荐方法
3.4.3 基于用户的协同过滤
3.4.4 Slop one预测推荐模型
3.4.5新热内容推荐模型
第四章 推荐系统的设计与实现
4.1系统设计的原则
4.2 推荐系统整体设计
4.2.1推荐系统的主要板块
4.2.2推荐系统数据使用
4.3推荐系统主要板块功能
4.3.1大数据基础平台主要功能规划
4.3.2数据分析系统主要功能规划
4.3.3智能推荐系统涵盖功能规划
4.4大数据分析系统平台
4.4.1大数据分析系统平台构架方式
4.4.2大数据分析系统构架特点
4.5实时智能推荐系统
4.5.1系统构架说明
4.5.2 智能推荐系统的一般步骤
4.5.3智能推荐系统实时处理流程
4.5.4智能推荐系统的优势
4.6 平台部署方案
4.6.1 网络设备的冗余备份
4.6.2 业务服务器的冗余备份机制
4.6.3 系统安全机制
4.7系统部署结构
第五章 推荐系统的效果测试和展示
5.1营销策略优化
5.1.1热度化内容推荐
5.1.2 精准营销推荐
5.2推荐结果的测评
5.2.1离线数据测评
5.2.2主观用户调查
5.2.3现网算法比较
5.3推荐系统的页面展示
5.3.1 首页推荐位
5.3.2 新闻中心推荐位
5.3.3 抢鲜看专区推荐位
5.3.4 电影点播推荐位
5.3.5 内容板块推荐位
第六章 本文的主要贡献和技术特点与展望
6.1本文推荐系统的主要贡献
6.2技术特点与展望
致谢
参考文献