基于用户收视行为的分类算法研究与实现
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题的研究背景和意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究概况 | 第11-14页 |
| 1.2.1 分类算法的研究现状 | 第11-14页 |
| 1.2.2 面向IPTV用户收视行为的研究现状 | 第14页 |
| 1.3 本文的研究内容与组织结构 | 第14-16页 |
| 1.3.1 本文研究内容 | 第14-15页 |
| 1.3.2 本文组织结构 | 第15-16页 |
| 第二章 高性能大数据处理平台关键技术 | 第16-28页 |
| 2.1 Hadoop YARN | 第16-21页 |
| 2.1.1 HDFS分布式文件系统 | 第17-18页 |
| 2.1.2 Hadoop YARN资源管理系统 | 第18-21页 |
| 2.2 Spark内存计算引擎 | 第21-25页 |
| 2.2.1 Spark体系结构 | 第21-22页 |
| 2.2.2 Spark架构原理 | 第22-23页 |
| 2.2.3 SparkRDD | 第23-25页 |
| 2.3 Spark集群部署 | 第25-27页 |
| 2.3.1 Spark软硬件环境 | 第25页 |
| 2.3.2 Spark开发部署 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 随机森林分类算法改进与实现 | 第28-40页 |
| 3.1 随机森林分类算法 | 第28-31页 |
| 3.1.1 随机森林算法概述 | 第28-29页 |
| 3.1.2 随机森林算法实现 | 第29-30页 |
| 3.1.3 随机森林算法连续属性计算 | 第30-31页 |
| 3.2 改进的随机森林算法(FRF) | 第31-35页 |
| 3.2.1 遇到的问题 | 第31页 |
| 3.2.2 算法改进的理论依据 | 第31-32页 |
| 3.2.3 FRF实验设计及分析 | 第32-35页 |
| 3.3 FRF实验与结果分析 | 第35-38页 |
| 3.3.1 FRF分类性能实验 | 第35-36页 |
| 3.3.2 FRF加速比实验 | 第36-37页 |
| 3.3.3 FRF算法效率实验 | 第37-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第四章 基于用户收视行为数据的分类研究 | 第40-48页 |
| 4.1 用户收视行为数据 | 第40-43页 |
| 4.1.1 用户收视行为数据介绍 | 第40-41页 |
| 4.1.2 用户收视行为数据字段说明 | 第41-42页 |
| 4.1.3 用户收视行为数据特点分析 | 第42-43页 |
| 4.2 用户收视行为数据的预处理 | 第43-44页 |
| 4.2.1 用户收视行为数据预处理原则 | 第43-44页 |
| 4.2.2 用户收视行为数据预处理流程 | 第44页 |
| 4.3 基于时间的用户收视行为数据分类研究 | 第44-48页 |
| 4.3.1 实验描述 | 第44-45页 |
| 4.3.2 实验流程和结果 | 第45-48页 |
| 4.4 本章小结 | 第48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 论文总结 | 第48-49页 |
| 5.2 下一步研究方向 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 攻读学位期间所取得的相关科研成果 | 第54-56页 |
| 致谢 | 第56-57页 |
