声明
第一章 绪论
1.1 研究背景与研究意义
1.2 国内外研究现状
1.2.1 隐式评分模型的研究现状
1.2.2 协同过滤推荐算法的研究现状
1.2.3 并行化协同过滤推荐算法研究现状
1.3 论文结构安排
第二章 相关技术综述
2.1 协同过滤推荐算法
2.1.1 构造用户评分矩阵
2.1.2 计算用户相似度
2.1.3 选择近邻用户
2.1.4 生成推荐
2.2 Spark并行化平台
2.2.1 Spark 简介
2.2.2 Spark 运行架构
2.2.3 Spark 编程模型
2.3 本章小结
第三章 IPTV数据预处理及隐式评分模型
3.1 IPTV 数据预处理
3.2 IPTV 隐式评分模型
3.2.1 隐式评分模型设计
3.2.2 作用函数的特征值计算
3.3 本章小结
第四章 基于用户潜在关系的并行化协同过滤推荐算法
4.1 基于用户潜在关系的协同过滤推荐算法设计
4.1.1 基于图游走的间接相似度计算方法
4.1.2 基于时序影响度和间接相似度的融合相似度计算方法
4.1.3 基于用户潜在关系的协同过滤算法的流程说明
4.2 基于用户潜在关系的协同过滤推荐算法并行化实现
4.2.1 间接相似度的并行化设计
4.2.2 时序影响度的并行化设计
4.2.3 并行算法设计及 RDD 转换说明
4.3 本章小结
第五章 实验设计与结果分析
5.1 实验环境及数据集说明
5.1.1 实验环境
5.1.2 数据集说明
5.1.3 评价指标说明
5.2 实验设计及结果分析
5.2.1 IPTV 隐式评分有效性实验
5.2.2 间接相似度有效性实验
5.2.3 基于用户潜在关系的推荐算法有效性实验
5.2.4 并行算法的扩展性实验
5.3 本章小结
第六章 结论与展望
6.1 研究总结
6.2 工作展望
参考文献
攻读学位期间所取得的相关科研成果
致谢
河北工业大学;