基于LDA主题模型和ALS协同过滤的节目推荐算法 |
论文目录 |
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第一章 绪论 | 第12-15页 |
| 1.1 课题研究背景和意义 | 第12-13页 |
| 1.2 本文研究内容 | 第13-14页 |
| 1.3 论文组织结构 | 第14-15页 |
| 第二章 推荐算法和Spark平台介绍 | 第15-29页 |
| 2.1 推荐算法的研究现状 | 第15-16页 |
| 2.2 常见协同过滤推荐算法的介绍 | 第16-22页 |
| 2.2.1 基于用户的协同过滤 | 第16-17页 |
| 2.2.2 基于项目的协同过滤 | 第17-18页 |
| 2.2.3 基于模型的协同过滤 | 第18-19页 |
| 2.2.4 基于ALS矩阵分解的协同过滤 | 第19-21页 |
| 2.2.5 协同过滤算法的比较与选择 | 第21-22页 |
| 2.3 LDA主题模型概述 | 第22-25页 |
| 2.3.1 LDA的模型推演过程 | 第22-24页 |
| 2.3.2 LDA主题模型的适用性 | 第24-25页 |
| 2.4 Spark分布式大数据计算框架 | 第25-27页 |
| 2.4.1 Spark的并行计算与任务调度 | 第25-26页 |
| 2.4.2 弹性分布式数据结构RDD | 第26-27页 |
| 2.4.3 Spark MLlib简介 | 第27页 |
| 2.5 当前主要问题 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 基于LDA主题模型的评分矩阵稀疏度优化算法 | 第29-45页 |
| 3.1 LDA主题模型求解和训练的介绍 | 第29-32页 |
| 3.1.1 Gibbs抽样方法对LDA模型的求解 | 第29-31页 |
| 3.1.2 LDA模型的训练 | 第31-32页 |
| 3.2 节目评分矩阵稀疏度优化算法的设计 | 第32-39页 |
| 3.2.1 数据文件介绍和预处理 | 第32-33页 |
| 3.2.2 文件读取的改进和主题分布的求解 | 第33-34页 |
| 3.2.3 求解矩阵的相似性算法 | 第34-35页 |
| 3.2.4 降低评分矩阵稀疏度的算法设计 | 第35-37页 |
| 3.2.5 改进算法的性能评估与适用性分析 | 第37-39页 |
| 3.3 基于LDA主题模型的评分矩阵稀疏度优化算法的并行化实现 | 第39-44页 |
| 3.3.1 LDA模型的并行化 | 第39-41页 |
| 3.3.2 节目评分矩阵稀疏度优化算法的并行化 | 第41-43页 |
| 3.3.3 并行化算法的复杂度与性能分析 | 第43-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 基于动态加权的ALS协同过滤算法的改进 | 第45-54页 |
| 4.1 ALS协同过滤算法的优缺点 | 第45页 |
| 4.2 动态加权用户和节目的协同过滤推荐算法的设计 | 第45-50页 |
| 4.2.1 基于特征矩阵的用户协同过滤 | 第45-46页 |
| 4.2.2 基于特征矩阵的项目协同过滤 | 第46-47页 |
| 4.2.3 动态加权用户和节目特征矩阵的协同过滤 | 第47-49页 |
| 4.2.4 改进算法的性能评估与适用性分析 | 第49-50页 |
| 4.3 基于动态加权的ALS协同过滤算法的并行化实现 | 第50-53页 |
| 4.3.1 ALS矩阵分解的并行化 | 第50-51页 |
| 4.3.2 基于特征矩阵的协同过滤算法的并行化 | 第51-52页 |
| 4.3.3 动态加权协同过滤算法的并行化 | 第52-53页 |
| 4.3.4 并行化算法的复杂度分析 | 第53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 实验设计与结论分析 | 第54-61页 |
| 5.1 并行算法实验仿真 | 第54-55页 |
| 5.1.1 实验数据集 | 第54页 |
| 5.1.2 实验环境 | 第54-55页 |
| 5.2 推荐结果评估标准 | 第55页 |
| 5.3 实验设计与结果分析 | 第55-59页 |
| 5.3.1 LDA主题模型对推荐算法的提升 | 第55-57页 |
| 5.3.2 动态加权融合协同过滤算法的合理性 | 第57-58页 |
| 5.3.3 推荐算法并行化实现的性能评估 | 第58-59页 |
| 5.4 本章小结 | 第59-61页 |
| 总结与展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 附录 | 第69页 |
|
| |
