基于MapReduce的分布式聚类算法在社交网络上的应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究内容及现状 | 第13-15页 |
| 1.2.1 分布式数据挖掘 | 第14-15页 |
| 1.2.2 文本挖掘 | 第15页 |
| 1.3 论文的结构安排 | 第15-17页 |
| 第二章 MapReduce模型研究 | 第17-24页 |
| 2.1 概述 | 第17页 |
| 2.2 编程模型 | 第17-19页 |
| 2.2.1 基本原理 | 第17-18页 |
| 2.2.2 实例 | 第18-19页 |
| 2.3 数据类型 | 第19-20页 |
| 2.4 工作机制 | 第20-22页 |
| 2.4.1 作业执行 | 第20-21页 |
| 2.4.2 容错 | 第21-22页 |
| 2.4.3 作业调度 | 第22页 |
| 2.5 本章小结 | 第22-24页 |
| 第三章 分布式聚类算法的研究 | 第24-41页 |
| 3.1 聚类分析概述 | 第24-26页 |
| 3.1.1 距离度量方法 | 第25页 |
| 3.1.2 聚类结果的评价标准 | 第25-26页 |
| 3.2 算法原理 | 第26-31页 |
| 3.2.1 k-Means算法 | 第26-28页 |
| 3.2.2 Canopy算法 | 第28-31页 |
| 3.3 并行计算策略 | 第31-32页 |
| 3.4 基于MapReduce的实现 | 第32-39页 |
| 3.4.1 数据抽象 | 第32-33页 |
| 3.4.2 程序设计 | 第33-35页 |
| 3.4.3 实验 | 第35-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 基于聚类的微博话题推荐研究 | 第41-56页 |
| 4.1 应用场景 | 第41页 |
| 4.2 总体流程 | 第41-43页 |
| 4.3 数据预处理 | 第43-45页 |
| 4.3.1 数据获取 | 第43-44页 |
| 4.3.2 文本分词 | 第44页 |
| 4.3.3 特征选择 | 第44-45页 |
| 4.4 向量空间模型 | 第45-46页 |
| 4.4.1 TF-IDF | 第45-46页 |
| 4.4.2 余弦相似性 | 第46页 |
| 4.5 基于知网的词汇语义相似度计算模型 | 第46-51页 |
| 4.5.1 知网简介 | 第47-49页 |
| 4.5.2 语义相似度计算 | 第49-50页 |
| 4.5.3 实验 | 第50-51页 |
| 4.6 微博文本聚类 | 第51-55页 |
| 4.6.1 距离度量方法 | 第52-54页 |
| 4.6.2 中心向量计算 | 第54页 |
| 4.6.3 聚类和话题推荐 | 第54-55页 |
| 4.7 本章小结 | 第55-56页 |
| 第五章 系统实验 | 第56-64页 |
| 5.1 实验环境 | 第56页 |
| 5.2 实验数据 | 第56-57页 |
| 5.3 实验参数 | 第57-58页 |
| 5.4 实验结果 | 第58-63页 |
| 5.4.1 数据分析 | 第58-59页 |
| 5.4.2 推荐效果评价 | 第59-62页 |
| 5.4.3 性能 | 第62-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71页 |
