| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究的背景与意义 | 第9页 |
| 1.2 国内外研究的现状 | 第9-13页 |
| 1.2.1 聚类算法的发展 | 第11-12页 |
| 1.2.2 大规模数据处理技术的发展 | 第12-13页 |
| 1.3 本文的工作及其创新点 | 第13-15页 |
| 1.3.1 本文的工作 | 第13-14页 |
| 1.3.2 本文创新点 | 第14-15页 |
| 1.4 论文的组织和安排 | 第15-16页 |
| 第二章 支撑技术引用 | 第16-25页 |
| 2.1 文本挖掘 | 第16-18页 |
| 2.1.1 文本挖掘的定义 | 第16-17页 |
| 2.1.2 文本挖掘的处理过程 | 第17-18页 |
| 2.2 文本聚类及应用 | 第18-20页 |
| 2.2.1 文本聚类 | 第18-19页 |
| 2.2.2 文本聚类的应用 | 第19-20页 |
| 2.3 大规模数据处理架构Hadoop | 第20-24页 |
| 2.3.1 分布式文件系统HDFS | 第21-22页 |
| 2.3.2 分布式并行数据模式MapReduce | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于相似度量的超大规模短文本聚类 | 第25-34页 |
| 3.1 聚类分析概述 | 第25-27页 |
| 3.1.1 短文本挖掘应用对聚类分析要求 | 第25-26页 |
| 3.1.2 聚类的特征与类间距离 | 第26-27页 |
| 3.2 文本聚类结果评价 | 第27-29页 |
| 3.2.1 文本聚类性能评价 | 第27-28页 |
| 3.2.2 文本聚类结果评价 | 第28-29页 |
| 3.3 短文本聚类常用的算法 | 第29-33页 |
| 3.3.1 基于划分的聚类方法 | 第29-31页 |
| 3.3.2 基于层次的聚类方法 | 第31-32页 |
| 3.3.3 基于密度的聚类方法 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 分布式的聚类算法DPSOKmeans | 第34-42页 |
| 4.1 粒子群优化算法(Particle Swarm Optimization algorithm,PSO) | 第34-37页 |
| 4.1.1 K-means聚类算法优点和缺点分析 | 第34-35页 |
| 4.1.2 PSO算法 | 第35-37页 |
| 4.2 粒子群K-means聚类算法(PSOKmeans) | 第37-38页 |
| 4.2.1 PSOKmeans算法思想 | 第37页 |
| 4.2.2 PSOKmeans算法步骤 | 第37-38页 |
| 4.3 DPSOKmeans聚类算法的实现 | 第38-41页 |
| 4.3.1 基于MapReduce的PSOKmeans算法的设计实现 | 第38-39页 |
| 4.3.2 Map函数的实现 | 第39-40页 |
| 4.3.3 Reduce函数的实现 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 基于Hadoop的超大规模短文本聚类的实现 | 第42-50页 |
| 5.1 系统主要代码实现 | 第42-43页 |
| 5.1.1 主要类的实现 | 第42页 |
| 5.1.2 DPSOKmeans聚类算法实现的代码 | 第42-43页 |
| 5.2 Hadoop系统框架 | 第43-45页 |
| 5.2.1 分布式并行化系统架构 | 第43-44页 |
| 5.2.2 实验开发环境 | 第44-45页 |
| 5.3 测试结果展示及分析 | 第45-49页 |
| 5.3.1 DPSOKmeans聚类算法处理短文本的质量分析 | 第45-46页 |
| 5.3.2 聚类算法并行化分析 | 第46-48页 |
| 5.3.3 DPSOKmeans聚类算法的应用 | 第48-49页 |
| 5.4 本章小结 | 第49-50页 |
| 第六章 研究总结与下一步研究方向 | 第50-53页 |
| 6.1 本文的研究总结 | 第50页 |
| 6.2 下一步研究方向 | 第50-53页 |
| 参考文献 | 第53-55页 |
| 附录1图表索引 | 第55-56页 |
| 致谢 | 第56页 |
