公共数字文化共享：模式、框架与技术图书
Public Digital Cultrue Sharing: Patterns, Frameworks and Technologies
[内容简介] 本书首先对公共数字文化资源的数据来源、数据类型、采集方法以及存储管理方法等进行梳理；按照“资源供给—共享—服务”的路径，分别给出了资源供给、技术支撑、数据应用三种模式。其次，分析共享平台的框架以及所需的标准规范等，重点讨论了公共数字文化资源共享本身的关键技术和基于共享所产生的服务关键技术；分析了资源共享系统、网络分发系统、业务管理系统三大系统的研发，并构建了一个面向全国的公共数字文化共享服务平台。最后，简要介绍了区块链技术及其在未来公共数字文化中的应用。
前言
第一章 绪论
第一节 研究背景
第二节 研究意义
第三节 本书的组织架构
第二章 公共数字文化资源
第一节 公共数字文化资源来源
1.传统媒体
2.网络媒体
3.政府文件
第二节 数据类型
1.实体文化资源
2.数字文化资源
第三节 数据采集方法
一 研究目标
二 研究领域
1.辅助服务数据采集
2.线下体验的用户数据采集
3.公共数字文化全国共享服务平台的运行数据采集
三 关键技术
四 数据采集方法
（一）数据采集路线
（二）传统纸质文献数据采集
（三）网络公共数字文化大数据采集
1.网页抓取技术研究
2.网页抓取策略研究
3.开源网页抓取工具研究
4.中文分词工具研究
5.网络数据采集实现方式
（四）基于文化体验设备的用户行为大数据采集
1.体验设备传感器数据采集技术研究
2.软件系统用户行为数据采集技术研究
（五）文化机构的各种公共文化服务大数据采集
（六）大数据平台运行数据采集
1.平台资源日志采集技术研究
2.用户行为日志采集技术研究
（七）其他数据源的采集方法
（八）公共文化相关数据采集系统
1.系统架构
2.系统实现
（九）采集数据汇总
1.辅助服务数据（总量：50699435条）
2.平台运行数据（总量：23444条）
3.线下体验用户数据（总量：461486条）
第四节 数据存储模式与机制
一 海量数据预处理技术
1.数据清洗概述
2.数据清洗的方式
3.数据清洗算法和策略
4.数据清洗算法编程模型
二 海量数据装载技术
三 关系型数据库
四 NoSQL数据库研究
（一）NoSQL相关理论
（二）当前流行的NoSQL系统
五 分布式文件系统
（一）Google File System
（二）Hadoop系统
第五节 数据分析管理方法
一 数据分析指标体系
（一）数据分析指标
1.网站流量指标
2.用户行为指标
3.用户访问方式指标
4.平台建设指标
（二）数据分析指标体系的评测和优化
1.目的性原则
2.科学性原则
3.系统性原则
4.典型性原则
5.可比、可操作、可量化原则
二 常用数据挖掘分析方法
（一）聚类分析
1.基于划分的方法
2.基于层次的方法
3.基于密度的方法
4.基于网格的方法
（二）分类分析
1.决策树
2.贝叶斯
3.人工神经网络
4.k-近邻
5.支持向量机
6.基于关联规则的分类
7.集成学习（Ensemble Learning）
（三）关联分析
1.关联分析概述
2.常用算法
（四）机器学习框架
1.Spark Mllib
2.Mahout
3.R语言
4.TensorFlow
三 公共数字文化数据分析算法
（一）基于资源访问热度的分析
1.算法思路
2.数据统计
（二）基于地区的资源访问类型分析
1.算法思路
2.统计方法
（三）基于时间段的资源访问分析
1.算法思路
2.统计方法
（四）公共文化内容的热点主题分析
四 公共数字文化数据分析算法计算框架
（一）内存计算框架的研究
（二）公共文化数据分析算法的并行编程模型实现方法
（三）公共文化网络拓扑分析的图计算框架
五 公共数字文化数据平台资源优化模型
（一）公共文化服务大数据平台性能管理方法
（二）公共文化服务大数据平台资源分配模型及算法
（三）全国公共文化服务大数据平台智能放置方法
（四）全国公共文化服务大数据平台优化系统
六 数据管理技术
（一）结构化数据的管理
（二）非结构化和半结构化数据的管理
1.HDFS文件系统
2.HBase数据库
3.MongoDB数据库
（三）索引数据的管理
（四）元数据的管理
第三章 公共数字文化资源共享服务模式
第一节 公共数字文化资源共享服务模式设计
一 理论思考
二 初步探索
三 框架设计
四 模式设计
第二节 公共数字文化资源供给模式
一 行政主导型
1.国家层面文化供给模式
2.省级层面文化供给模式
3.地市层面文化供给模式
4.街镇层面文化供给模式
二 市场驱动型
1.国家层面文化供给模式
2.省级层面文化供给模式
3.地市层面文化供给模式
4.街镇层面文化供给模式
三 利益共享型
四 自发创意型
第三节 公共数字文化资源技术支撑模式
第四节 公共数字文化资源数据应用模式
第四章 公共数字文化数据平台建设方案
第一节 研究目标
一 研究公共数字文化大数据分析平台架构的总体思路
1.功能规划
2.性能规划
二 研究公共数字文化大数据分析平台架构的设计原则
1.安全性原则
2.可靠性原则
3.可扩展性原则
三 研究公共数字文化大数据分析平台的架构设计方案
第二节 研究领域
一 云计算三层架构研究
二 Hadoop大数据平台研究
三 大数据安全策略研究
四 Hadoop生态系统安全模块的研究
第三节 关键技术
第四节 公共文化服务大数据分析平台建设方案
一 公共文化服务大数据分析平台逻辑架构
二 公共文化服务大数据分析平台技术架构
三 硬件虚拟化技术
1.开源硬件虚拟化平台
2.虚拟计算机集群建设
四 大规模多源异构数据集成技术
五 基于Hadoop的计算框架技术
1.内存计算框架的研究
2.并行编程模型
3.流计算技术
4.图计算技术
（1）Titan图数据库技术
（2）Spark GraphX图计算技术
六 平台安全管理
1.数据加密技术
2.授权认证技术
3.访问控制技术
4.网络防火墙技术
七 Hadoop生态圈安全技术研究
1.Apache Knox Gateway
2.Apache Sentry
第五章 公共数字文化资源共享框架与标准规范
第一节 共享平台框架
一 共享平台总框架
二 硬件平台框架
1.服务器/云主机
2.存储设备
3.网络设备
4.安全设备
三 软件平台搭建
（一）资源采集平台
（二）能力封装平台
（三）业务平台层
（四）资源共享系统
1.资源管理
2.资源共享
3.资源建设
4.日志管理
（五）内容分发系统
（六）业务管理系统
（七）应用示范层
第二节 共享服务标准规范
一 资源组织标准规范
二 资源加工标准规范
（一）视频数据标准
（二）线性标准
1.编辑保存级
2.发布服务级
（三）讲座数据标准
（四）文本数据标准
（五）图片数据标准
三 资源交换标准规范
四 资源管理标准规范
第六章 公共数字文化资源共享关键技术
第一节 资源采集关键技术
第二节 资源聚合关键技术
（1）OAI-PMH请求
（2）元数据集XSD基本格式定义
（3）资源收割程序开发
（4）资源收割策略
第三节 资源调度关键技术
（1）定义
（2）参数
（3）返回值
（4）接口业务原则
第四节 网络分发关键技术
第五节 线上线下应用关键技术
第六节 资源共享成果展示
第七章 公共数字文化资源服务关键技术
第一节 资源检索关键技术
一 技术思路
二 核心算法
第二节 大规模公共文化用户画像自动构建关键技术
一 群体推荐系统
二 公共数字文化共享服务平台用户画像技术研究
1.技术思路
2.核心算法
（1）行为数据预处理
（2）行为权重评估
（3）用户行为加权
（4）用户兴趣分析
（5）用户元数据提取
（6）用户社交特征提取
第三节 资源个性化推荐关键技术
一 个性化服务技术现状及趋势分析
二 推荐系统现状及趋势分析
三 推荐技术研究现状及趋势分析
1.推荐技术的分类
2.各种推荐技术概述
四 公共数字文化资源个性化推荐
1.资源个性化推荐方法
2.公共数字文化资源的混合协同过滤推荐方法研究
1.技术思路
2.核心算法解析
3.基于公共数字文化资源内容的推荐方法研究
（1）技术思路
（2）核心算法
五 公共数字文化平台用户行为模型分析研究
（一）技术思路
（二）核心方法及算法
1.用户行为特征模型构建
2.用户行为特征模型参数计算
3.算法的评测
4.用户聚类
六 面向公共数字文化共享的推荐系统架构设计
第八章 公共数字文化数据分析的应用系统建设
第一节 研究目标
第二节 研究领域
第三节 关键技术
第四节 基于公共数字文化数据分析的应用系统建设方案
一 应用系统架构设计
（一）软件开发架构
（二）Struts2介绍
1.Struts 2框架结构
2.Struts 2的工作流程
（三）jQuery介绍
（四）Spring介绍
（五）Ajax介绍
（六）MyBatis介绍
（七）软件架构设计
（八）多租户应用的数据隔离和资源共享
二 可视化分析方法
（一）信息可视化模型
1.数据转换
2.可视化映射
3.视图变换
4.用户在可视化过程中的交互
（二）数据可视化中的人机交互
（1）Direct Manipulation
（2）Dynamic Queries
（3）Panning
（4）Geometric Zooming
（5）Semantic Zooming
（6）Details-on-Demand
（7）Degree-of-Interest （DOI） Distortion
（8）Focus+Context
第九章 公共数字文化资源研发与集成关键技术
第一节 整体研究思路和方案
一 大规模公共数字文化资源共建共享及呈现
二 公共数字文化资源共享应用统一认证
三 公共数字文化资源应用软件群的集成化管理
第二节 相关技术研发关键点
一 公共数字文化共享服务平台的协同交互和互操作
二 海量资源的互操作与资源定位
三 应用统一认证与集成
四 面向多网络、多终端的数字文化资源的智能传输调度
五 实现多维度的公共数字文化共享数据应用
第三节 技术难点攻关
一 标准化和简化应用接入方法
二 1+N模式下的分布式用户管理
三 单点登录
第四节 集成技术
第十章 三大公共数字文化共享服务系统研发
第一节 整体研究思路和方案
一 搭建资源共享系统
二 建立网络分发系统
三 构建业务管理系统
第二节 构建三大系统主要功能
一 资源共享系统的功能构建
二 网络分发系统的功能构建
三 业务管理系统功能构建
1.导航子系统
2.业务管理
3.统一认证鉴权
4.用户/机构/权限管理
5.后台管理
6.提供应用构建工具库
7.应用集市管理
第三节 完成三大数字文化共享服务系统研发
一 资源共享系统
二 网络分发系统
三 业务管理系统研发
第十一章 公共数字文化共享服务平台的研发构建
第一节 整体研究思路和方案
第二节 规划研发平台技术路线
第三节 梳理系统接口
一 资源共享系统接口
二 网络分发系统接口
三 业务管理系统接口
第四节 公共数字文化共享服务平台研发及优化
第十二章 公共数字文化资源共享应用案例
第一节 文化共享工程
一 数字图书馆推广工程
二 全国文化信息资源共享工程
三 中国文化网络电视新媒体服务
四 文化馆的数字化建设
五 社会全国文物调查及数据库管理系统建设
六 “中国记忆”文化艺术基础资源数字平台
七 地方政府或组织机构文化资源数字化建设
第二节 国家公共文化云
一 资源联通
二 检索功能
三 大数据功能
四 国家公共文化云服务情况
第三节 地方实践
一 共享服务平台部署
（一）部署规划
（二）线上系统部署
1.部署环境
2.系统部署
（三）线下互动设备部署
1.部署条件
2.设备部署调试
3.书法互动体验机部署
4.舞蹈互动体验机部署
5.公共文化一体机部署
6.群体推荐设备部署
二 共享平台研究方法
三 共享平台应用示范
（一）特色线上系统应用示范
1.数字视频水印系统
2.基于内容的图像/视频检索系统
3.公共数字文化资源个性化推荐系统
（二）线下互动体验设备示范
1.书法互动体验样机示范
2.舞蹈互动体验样机示范
3.公共文化一体机体验样机示范
4.群体推荐系统应用示范
5.音频馆应用示范
6.大众美育馆应用示范
7.三个线下示范点运行结果反馈
第十三章 公共数字文化大数据
第一节 公共数字文化大数据
第二节 公共数字文化大数据意义
1.政府层面
2.企业层面
3.社会公众层面
第三节 公共数字文化大数据关键技术平台架构
（1）公共数字文化大数据中心基础设施
（2）公共数字文化大数据资源层
（3）公共数字文化大数据综合平台层
（4）基于公共数字文化大数据的应用
第四节 公共数字文化大数据资源层
1.公共数字文化大数据元数据库
2.公共数字文化大数据其他结构化数据
3.公共数字文化大数据半结构化数据
4.公共数字文化大数据非结构化数据
第五节 公共数字文化大数据综合平台层
一 公共数字文化大数据资源共享
二 公共数字文化大数据资源调度
三 公共数字文化大数据资源集成
第六节 基于公共数字文化大数据的应用
一 公共数字文化大数据资源分析
二 公共数字文化大数据用户行为分析
三 公共数字文化大数据个性化推荐
四 基于公共数字文化大数据的“周播剧”
五 公共数字文化大数据云平台设计方案
第七节 公共数字文化大数据云管理系统
1.公共数字文化大数据资源管理
2.公共数字文化大数据访问与利用
3.公共数字文化大数据云管理系统功能
第十四章 区块链技术在公共数字文化中应用
第一节 区块链基本概念
第二节 区块链技术研究缘由
一 区块链用例描述：比特币
1.怎么获取比特币（钱的来源）？
（1）当矿工获取比特币
（2）通过交易或者捐赠获得别人给予的比特币
2.为什么比特币会获得承认
3.如何用比特币交易？
4.怎么确保交易是安全可靠的？
（1）如何确保比特币是真实的
（2）如何确保交易双方不抵赖
（3）如何确保交易通信是安全的
（4）如何防止重复支付
5.比特币交易具体是如何完成的
二 为什么要研究区块与区块链
1.区块及区块链是整个比特币生态的核心所在
2.区块链技术是未来信用社会构建安全应用的需要
3.社会节约成本的需要
4.区块链技术与新技术相辅相成、相得益彰
三 区块链需要研究哪些关键技术
1.区块链共识机制研究
2.区块链的安全与隐私保护技术研究
3.区块链的存储技术研究
4.区块链的通新技术研究
5.区块链的核心应用组件研究
6.区块链的应用体系研究
7.区块链与现代技术结合研究
8.区块链技术标准研究
四 区块链模型
（1）数据存储层
（2）网络通信层
（3）数据安全与隐私保护层
（4）共识层
（5）应用组件层
（6）区块链应用层
（7）区块链与现代技术融合
（8）区块链技术标准
第三节 数据存储层关键技术
一 （分布式）文件系统
1.通用分布式文件系统
2.非通用分布式文件系统
3.操作系统级别的分布式文件系统
二 （分布式）数据库
1.大型互联网公司商用项目云数据库系统
2.开源项目云数据库系统
3.其他项目云数据库系统
三 数据区块
四 链式结构
五 Merkle树
第四节 网络通信层关键技术
一 P2P网络
二 链接方式
三 传播机制
四 共识机制
五 验证机制
六 其他
第五节 数据安全与隐私保护关键技术
一 时间戳
二 哈希函数
三 数据加密
1.交易加密或者区块加密（对称加密算法）
2.数字信封传递密钥（非对称加密算法：公钥加密、私钥解密）
3.数字签名防抵赖（非对称加密算法：私钥加密、公钥解密）
四 数字签名（区块链特性）
五 零知识证明
六 区块链安全体系
（一）物理网络环境安全
（二）区块链数据安全
（三）区块链应用系统安全
（四）区块链钥匙管理安全
（五）云环境下加密方法安全
七 隐私保护机制
八 隐私保护算法
（一）交易信息或区块创建隐私保护算法
（二）交易信息或区块链存储隐私保护算法
（三）交易信息或区块链数据挖掘过程中隐私保护算法
（四）交易信息或区块链在用户使用过程中的隐私保护算法
九 区块链隐私保护体系
第六节 共识层关键技术
一 工作量证明PoW
二 权益证明PoS
三 股份授权证明（DPoS）
四 拜占庭容错共识机制
五 其他
第七节 应用组件层关键技术
一 发行机制
二 分配机制
三 区块链2.0核心智能合约衍生的核心组件
四 区块链3.0衍生的复杂的可编程资产
第八节 区块链应用层
1.区块链1.0系列应用
2.区块链2.0系列应用
3.区块链3.0系列应用
第九节 区块链与现代技术融合
一 区块链与云计算技术的结合
二 区块链与大数据技术的结合
三 区块链与现代加密技术的结合
四 区块链与物联网技术的结合
五 区块链与现代通信技术的结合
六 区块链与深度学习为代表的机器学习智能技术的结合
第十节 区块链技术标准
第十一节 区块链在公共文化中的应用
第十五章 结论
第一节 总结
第二节 未来发展趋势
一 研究中的问题
二 研究中的经验
三 研究中的建议
四 应用前景
五 未来研究方向
1.公共数字文化服务效能提升技术研发与应用示范
2.数字文化公共资源的精细化分析关键技术
3.公共数字文化服务向纵深推进
序言
曹树金、古婷骅、王志红：《我国公共数字文化建设与服务研究进展及特征分析》，《图书馆论坛》2015年第11期。
曾春、邢春晓、周立柱：《基于内容过滤的个性化搜索算法》，《软件学报》2003年第5期。
曾伟辉、李淼：《深层网络爬虫研究综述》，《计算机系统应用》2008年第5期。
陈文臣：《Web日志挖掘技术的研究与应用》，硕士学位论文，中国科学院研究生院（计算技术研究所），2005。
陈孝文：《基于社交网络的协同过滤推荐算法研究》，硕士学位论文，华南理工大学，2013。
邓先箴：《基于关联规则的推荐算法研究与应用》，硕士学位论文，华东师范大学，2009。
邓祥：《基于Hadoop的海量日志数据处理研究与应用》，硕士学位论文，厦门大学，2013。
范周：《盘活现有公共文化资源》，《经济日报》2014年12月8日。
冯佳：《国内外公共文化资源供给模式研究》，《上海文化》2014年第4期。
哈工大社会计算与信息检索研究中心：《同义词词林》（扩展版）。
胡税根、莫锦江、李军良：《公共文化资源整合绩效评估指标体系构建与实证研究》，《理论探讨》2018年第2期。
李盛韬、余智华、程学旗：《Web信息采集研究进展》，《计算机科学》2003年第2期。
罗刚、王振东：《自己动手写网络爬虫》，清华大学出版社，2010。
罗云川、李彤：《公共文化资源共享治理策略探析》，《图书馆工作与研究》2016年第4期。
罗云川、阮平南：《公共电子阅览室社会化合作的演化博弈分析与启示》，《图书馆》2016年第4期。
罗云川、阮平南：《公共文化服务网络治理：主体、动力因素与分析模型》，《图书馆理论与实践》2016年第7期。
罗云川、阮平南：《公共文化服务网络治理：主体、关系与模式》，《图书馆建设》2016年第1期。
罗云川：《公共文化服务的网络治理研究》，社会科学文献出版社，2017。
马鞍山市社科联课题组：《完善我省基本公共服务体系 推进公共文化服务均等化问题研究——以马鞍山市公共文化资源共建共享为例》，《安徽冶金科技职业学院学报》2013年第2期。
盛明科、李代明：《大众阅读需求变化背景下公共文化资源精准供给分析》，《中国出版》2017年第18期
谭乔西：《公共文化资源整合的集群与辐射效应》，《重庆社会科学》2016年第5期。
陶永才、张宁宁、石磊等：《异构环境下云计算数据副本动态管理研究》，《小型微型计算机系统》2013年第7期。
王健、张桂刚、杨颐、黄卫星：公共文化知识图谱平台系统及其使用方法：中国，CN201611170815.X，2016年12月17日。
王健、张桂刚、杨颐、黄卫星：基于公共文化知识图谱平台的综合推荐系统：中国，CN201710163892.0，2017年3月20日。
王健、张桂刚、杨颐、黄卫星：一种基于文本主题模型的可视化分析系统：中国，CN201610028127.6，2016年1月18日。
巫志南：《加强公共文化资源供给是关键》，《中国文化报》2011年9月9日。
吴高：《地方公共数字文化特色资源建设现状调查与思考——以全国文化信息资源共享工程省级分中心特色数字资源建设为例》，《图书馆建设》2016年第1期。
肖希明、李硕：《信息集群理论和公共数字文化资源整合》，《图书馆》2015年第1期。
肖希明、刘巧园：《国外公共数字文化资源整合研究进展》，《中国图书馆学报》2015年第5期。
邢春晓、张桂刚、张勇译《大数据原理：复杂信息的准备、共享和分析》，机械工业出版社，2017。
邢春晓、张桂刚主编《中国区块链技术与产业发展报告》，清华大学出版社，2018。
邢春晓、张勇、张桂刚译《大数据与数据仓库：集成、架构与管理》，机械工业出版社，2018。
熊易芳：《上海社区公共文化资源供给主体及其功能研究》，硕士学位论文，上海交通大学，2013。
张川、邓珍荣、邓星等：《基于Chukwa的大规模日志智能监测收集方法》，《计算机工程与设计》2014年第9期。
张桂刚、李超、邢春晓：《大数据背后的核心技术》，电子工业出版社，2017。
张桂刚、杨颐、黄卫星、王健：“文化资源推荐系统”，CN201711047386.1［P］，2017年10月31日。
张浩、郭灿：《数据可视化技术应用趋势与分类研究》，《软件导刊》2012年第5期。
张召：《在线论坛用户兴趣图谱发现与个性化信息推荐》，博士学位论文，华东师范大学，2012。
章慧、陈宏明、蒋晓玲、向青：《公共文化资源数字化运用功能拓展研究》，《信息通信》2014年第10期。
邹均等著：《区块链核心技术与应用》，机械工业出版社，2018。
《中国文化及相关产业统计年鉴》（2014），中国统计出版社，2014。
《中国文化及相关产业统计年鉴》（2015），中国统计出版社，2015。
《中国文化及相关产业统计年鉴》（2016），中国统计出版社，2016。
《中国文化文物统计年鉴2014》，北京图书馆出版社，2014。
《中国文化文物统计年鉴2015》，北京图书馆出版社，2015。
《中国文化文物统计年鉴2016》，北京图书馆出版社，2016。
Abouzied A et al.，“HadoopDB in Action：Building Real World Applications”，In Elmagarmid AK and Agrawal D，eds.，
Apache CouchDB. http：//couchdb.apache.org
B. Sarwar et al.，“Itemt-Based Collaborative Filtering Recommendation Algorithms”，In
Bela A. et al.，“Introduction to the Dirichlet Distribution and Related Processes”，ee.washington.edu.Retrieved 14 May 2015.
Bell R.，Koren Y.，Volinsky C.，“Modeling Relationships at Multiple Scales to Improve Accuracy of Large Recommender Systems”，In KDD’07：Proc. of the 13th ACM SIGKDD Int. cof
Bordes A. et al.，“
Bryan Perozzi，Rami Al-Rfou and Steven Skiena，“DeepWalk：Online Learning of Social Representations”，In Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining （KDD’14），New York，2014.
Bu YY，Howe B，Balazinska M，Ernst MD. HaLoop：Efficient Iterative Data Processing on Large Clusters. PVLDB2010，3（2010）.
Byeong Man Kim，Qing Li，Jong-Wan Kim and Jinsoo Kiln，A New Collaborative Recommender System Addressing Three Problems，Proceedings of PRICAI 2004，2004.
Chang F，Dean J，Ghemawat S，et al. Bigtable：A Distributed Storage System for Structured Data （Awarded Best Paper！）. Proceedings of Usenix Symposium on Operating Systems Design & Implementation，2006，26（2）.
Chen ST. Cheetah：A High Performance，Custom Data Warehouse on Top of MapReduce. PVLDB2010，2010，3（1-2）.
Cloudeep. http：//blog.csdn.net/cloudeep.
D. Blei，A. Ng，and M. Jordan，“Latent Dirichlet Allocation”，
D. Blei，T. Griffiths and M. Jordan，“The Nested Chinese Restaurant Process and Bayesian Nonparametric Inference of Topic Hierarchies”，
D. Borthakur. HDFS Architecture.
D. Goldberg，D. Nichols，B. Oki，D. Terry，“Using Collaborative Fltering to Weave an Information Tapestry”，
Dennis Fetterly et al. TidyFS：A Simple and Small Distributed File System，in Proceedings of the USENIX Annual Technical Conference （USENIX’11），USENIX，15 June 2011.
Dietmar et al.，
Matei Zaharia et al.，
Doug Beaver et al. Finding a Needle in Haystack：Facebook’s Photo Storage，www.facebook.com/haystack.
G. Adomavicius and A.Tuzhilin，“Toward the Next Generation of Recommender Systems：A Survey of the State-of-the-art and Possible Extensions”，
G.Zhang，Y.Yang，X.Zhai，W.Huang and J.Wang，Public Cultural Big Data Analysis Platform（2016 IEEE Second International Conference on Multimedia Big Data，Taipei，2016）.
Geman S.，Geman D.，“Stochastic Relaxation，Gibbs Distributions，and the Bayesian Restoration of Images”，
GFS2. http：//www.theregister.co.uk/2009/09/14/gfs2_and_hadoop/.
Ghoting A，Pednault E.，“Hadoop-ML：An Infrastructure for the Rapid Implementation of Parallel Reusable Analytics”，In Culotta A，eds.，
Reynold S. et.al.，GraphX：Unifying Data-Parallel and Graph-Parallel Analytics，Franklin，Ion Stoica. OSDI 2014. October 2014.
Greg Linden，Brent Smith，and Jeremy York.，“Amazon.com Recommendations：Item-to-Item Collaborative Filtering”，
Hadoop. http：//hadoop.apache.org/.
http：//hadoop.apache.org/common/docs/r0.20.0/hdfs\_design.html，April 2009.
http：//www.taobaodba.com/html/tag/fs.
htttps：//code.google.com/p/terrastore.
Van Wijk J J，van Liere R. Hyperslice-visualization of Scalar Function of Many Variables.
J. Cho，H. Garcia-Molina. The Evolution of the Web and Implications for an Incremental Crawler In Proceedings of the 26th International Conference on Very Large Database，Cairo，Egypt，2000.
J. Wang，A.P. de Vries，M.J.T. Reinders，Unifying User-based and Item-based Collaborative Fltering Approaches by Similarity Fusion，In Proceedings of the 29th Annual International ACM SIGIR Conference on Research and Development in Information Rretrieval，ACM Press，New York，2006.
Jaliya Ekanayake，Hui Li，Bingjing Zhang，Thilina Gunarathne，SeungHee Bae，Judy Qiu，Geoffrey Fox，Twister：A Runtime for Iterative MapReduce，“The First International Workshop on MapReduce and its Applications （MAPREDUCE’10）.
Jeffrey Dean，Sanjay Ghemawat，MapReduce：Simplified Data Processing on Large Clusters（Sixth Symposium on Operating System Design and Implementation 2004，New York，2008）.
Jens Dittrich et.al.，Hadoop++：Making a Yellow Elephant Run Like a Cheetah（Without It Even Noticing），Proceedings of Very Large DataBase （PVLDB），2010.
Jianqiao Hu et.al.，A User Profile Modeling Method Based on Word2Vec，2017 IEEE International Conference on Software Quality，Reliability and Security Companion （QRS-C） （Prague，Czech Republic，2017）.
K. Cheverst et al. Developing a Context-aware Electronic Tourist Guide：Some Issues and Experiences. In ACM SIGCHI，2000.
K. Shvachko et al. The Hadoop Distributed File System：Mass Storage Systems and Technologies（MSST）（2010 IEEE 26th Symposium，2010. Incline Village，NV）2010.
Kambatla，Rapolu，Jagannathan，Grama （2010） Asynchronous Algorithms in MapReduce Cluster Computing（CLUSTER2010） （2010 IEEE International Conference on CLUSTER，2010）.
L. Xiang，et al.J. Sun，Temporal Recommendation on Graphs Via Long-and Short-term Preference Fusion，In Proceedings of the 16th ACM SIGKDD International Conference.
Map Dean J，Ghemawat S.，“MapReduce：Simplified Data Processing on Large Clusters”，In Brewer E，Chen P，eds.，
Matei Zaharia，et al. Spark：Cluster Computing with Working Sets：Proceeding HotCloud’10（Proceedings of the 2nd USENIX Conference on Hot Topics in Cloud Computing，Berkeley，CA，USA，2010）.
Matei Zaharia et. al.，“Spark：Cluster Computing withWorking Sets”，
Matei Zaharia et al.，Spark：Resilient Distributed Datasets：a Fault-tolerant Abstraction for In-memory Cluster Computing：Resilient Distributed Datasets：a Fault-tolerant Abstraction for In-memory Cluster Computing，2012［C］. Berkeley，CA，USA：USENIX Association，2012.
Matthew Sessoms，Kemafor Anyanwu：SkyPackage：From Finding Items to Finding a Skyline of Packages on the Semantic Web. JIST 2012.
Min Xie，Laks V. S. Lakshmanan，Peter T. Wood：“Composite Recommendations：From Items to Packages”
MongoDB. http：//www.mongodb.org/.
O. Averjanova，F. Ricci，and Q. N. Nguyen. Map-based Interaction with a Conversational Mobile Recommender System. In UBICOMM’08，2008.
OpenStack Open Source Cloud Computing Software. www.openstack.org
Page，L.，“The Pagerank Citation Ranking：Bringing Order to the Web”，
Paul B. Kantor，Francesco Ricci，Lior Rokach，Bracha Shapira.
Quoc V. Le and T. Mikolov，“Distributed Representations of Sentences and Documents”，
S. Chakrabarti，M. van den Berg and B. Dom.，Focused Crawling：A New Approach to Topic-Specific Web Resource Discovery（In Proceedings of the 8th International World Wide Web Conference，Toronto，Canada，1999）.
S.-H. Min，I. Han，“Detection of the Customer Time-variant Pattern for Improving Recommender Systems”，
Sanjay Ghemawat，Howard Gobioff，Shun-Tak Leung. The Google File System. SOSP2003.
Sarwar，B.M.，Karypis，G，Konstan，J.A.，and Riedl，J.，Application of Dimensionality Reduction in Recommender Systems：A Case Study，ACM WebKDD 2000 WebMining for E-Commerce Workshop，2000.
Shufeng Ye，Yi Yang，Weixing Huang，Jian Wang and Guigang Zhang，Public Cultural Services Recommendation System Architecture（2017 IEEE International Conference on Software Quality，Reliability and Security Companion （QRS-C），Prague，Czech Republic，2017）.
Sun J，Jin Q. Scalable RDF Store Based on HBase and MapReduce［C］//Advanced Computer Theory and Engineering （ICACTE），2010 3rd International Conference on IEEE，2010.
T. Mikolov，I. Sutskever，K. Chen，G. Corrado，and J. Dean. Distributed Representations of Words and Phrases and Their Compositionality. Advances in Neural Information Processing Systems，26（2013）.
T. Mikolov，K. Chen，G. Corrado，and J. Dean，“Efficient Estimation of Word Representations in Vector Space”，
T. White.
Tv Zhou，et al.，Solving the Apparent Diversity-accuracy Dilemma of Recommender Systems，Proceedings of the National Academy of Sciences of the United States of America 107 （2010）.
Visual Data Mining and Exploration of Large Databases. Keim D A，Ankerst M. PKDD. 2001
Visualizing Multi-dimensional Clusters，Trends，and Outliers Using Star Coordinates. Kandogan E. KDD01. 2001
Xiaoshuang Zhai et al.，A Kind of Precision Recommendation Method for Massive Public Digital Cultural Resources：A Preliminary Report（2016 IEEE Second International Conference on Multimedia Big Data （BigMM），Taipei，2016）.
Y. Ge，H. Xiong，A. Tuzhilin，et al.，An Energy-efficient Mobile Recommender System. In ACM SIGKDD’10，2010.
Y. Yang，J. Wang，W. Huang and G. Zhang，TopicPie：An Interactive Visualization for LDA-Based Topic Analysis，（2016 IEEE Second International Conference on Multimedia Big Data （BigMM），Taipei，2016）.
Yi Yang et al.，Distributed Representation for Neighborhood-based Collaborative Filtering，（The 19th IEEE International Symposium on Multimedia （IEEE ISM 2017），Taichung，Taiwan，December 11-13 2017）.
Yi Yang et al. “Integrated Recommendation for Public Cultural Service，” Multimedia Big Data （BigMM），2017.
Yi Yang et al.，Public Cultural Knowledge Graph Platform，（IEEE International Conference on Semantic Computing （ICSC 2017） and The 1st International Workshop on Big Data for Intelligent Services and Applications （BDISA），San Diego，California，USA，2017）.
Z.B. Liu，et al，A Hybrid Collaborative Fltering Recommendation Mechanism for P2P Networks，Future Generation Computer Systems 26 （2010）.
Zhou K，Yang S H，Zhao H. Functional Matrix Factorizations for Cold—start Recommendation. Proceedings of the 34th International ACM SIGIR Conference on Research and Development in Information Retrieval（SIGIR），Beijing，2011.
