| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 文本组织结构 | 第13-16页 |
| 第二章 相关理论及技术原理 | 第16-28页 |
| 2.1 Apache Spark | 第16-19页 |
| 2.1.1 Spark的特点 | 第17页 |
| 2.1.2 Spark的模块架构 | 第17-18页 |
| 2.1.3 Spark的应用场景 | 第18-19页 |
| 2.2 统计学习理论 | 第19-20页 |
| 2.2.1 VC维 | 第19页 |
| 2.2.2 结构风险最小化 | 第19-20页 |
| 2.3 支持向量机 | 第20-24页 |
| 2.3.1 线性支持向量机 | 第20-23页 |
| 2.3.2 非线性支持向量机 | 第23-24页 |
| 2.3.3 支持向量机的特点 | 第24页 |
| 2.4 支持向量机的训练方法 | 第24-26页 |
| 2.4.1 块算法 | 第24-25页 |
| 2.4.2 分解算法 | 第25页 |
| 2.4.3 增量算法 | 第25-26页 |
| 2.5 文本分类 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 基于Spark的P-pack SVM算法改进与优化 | 第28-44页 |
| 3.1 梯度下降 | 第28-29页 |
| 3.1.1 批量梯度下降 | 第28页 |
| 3.1.2 随机梯度下降 | 第28-29页 |
| 3.1.3 小批量梯度下降 | 第29页 |
| 3.2 基于Spark的P-pack SVM算法并行实现 | 第29-34页 |
| 3.2.1 P-pack SVM算法简介 | 第29-31页 |
| 3.2.2 IndexedRDD简介 | 第31-32页 |
| 3.2.3 基于Spark的P-pack SVM算法设计与实现 | 第32-34页 |
| 3.3 基于Spark的预设维持并行梯度下降支持向量机 | 第34-36页 |
| 3.3.1 P-pack SVM的不足 | 第34页 |
| 3.3.2 P-pack SVM算法的改进与优化 | 第34-35页 |
| 3.3.3 基于Spark的BPPGD算法设计与实现 | 第35-36页 |
| 3.4 实验与分析 | 第36-41页 |
| 3.4.1 实验环境 | 第36-37页 |
| 3.4.2 实验数据和参数 | 第37页 |
| 3.4.3 实验结果和分析 | 第37-40页 |
| 3.4.4 Spark性能调优 | 第40-41页 |
| 3.5 本章小结 | 第41-44页 |
| 第四章 基于Spark的Cascade SVM算法改进与优化 | 第44-54页 |
| 4.1 基于Spark的层叠支持向量机算法并行实现 | 第44-46页 |
| 4.1.1 层叠支持向量机简介 | 第44-45页 |
| 4.1.2 基于Spark的层叠支持向量机设计与实现 | 第45-46页 |
| 4.1.3 层叠支持向量机的不足 | 第46页 |
| 4.2 层叠随机梯度下降并行支持向量机算法 | 第46-49页 |
| 4.2.1 Cascade SVM算法的改进与优化 | 第46-47页 |
| 4.2.2 基于Spark的CSP-SVM算法设计与实现 | 第47-49页 |
| 4.3 实验与分析 | 第49-53页 |
| 4.3.1 实验环境 | 第49页 |
| 4.3.2 实验数据和参数 | 第49页 |
| 4.3.3 实验结果和分析 | 第49-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 并行支持向量机的集成和应用 | 第54-70页 |
| 5.1 BDAP并行数据挖掘系统简介 | 第54-55页 |
| 5.2 系统集成 | 第55-64页 |
| 5.2.1 需求分析 | 第55-56页 |
| 5.2.2 概要设计 | 第56-58页 |
| 5.2.3 详细设计 | 第58-61页 |
| 5.2.4 流程示例 | 第61-64页 |
| 5.3 优化算法在文本分类中的应用 | 第64-68页 |
| 5.3.1 文本处理 | 第64-65页 |
| 5.3.2 文本分类 | 第65-68页 |
| 5.4 本章小结 | 第68-70页 |
| 第六章 总结和展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 攻读学位期间发表的学术论文目录 | 第78页 |
