| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 论文的主要研究内容 | 第12页 |
| 1.4 论文的组织结构 | 第12-14页 |
| 第二章 大数据挖掘技术与云计算 Hadoop 技术概述与分析 | 第14-24页 |
| 2.1 大数据挖掘技术概述 | 第14-16页 |
| 2.1.1 大数据的特点及分类 | 第14-15页 |
| 2.1.2 大数据挖掘的定义 | 第15页 |
| 2.1.3 大数据挖掘的挑战 | 第15-16页 |
| 2.2 流数据挖掘概述 | 第16-18页 |
| 2.2.1 流数据的基本概念 | 第16页 |
| 2.2.2 流数据挖掘的特点 | 第16-17页 |
| 2.2.3 流数据挖掘的关键技术 | 第17-18页 |
| 2.3 Hadoop 架构分析 | 第18-23页 |
| 2.3.1 Google 文件系统 GFS | 第18-19页 |
| 2.3.2 Map/Reduce 编程模型 | 第19-20页 |
| 2.3.3 Hadoop 分布式文件系统 HDFS | 第20-21页 |
| 2.3.4 MapReduce 并行编程模型在 Hadoop 中的实现 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 在线流数据聚类挖掘算法研究 | 第24-37页 |
| 3.1 流数据模型 | 第24-25页 |
| 3.2 流数据聚类挖掘算法分析 | 第25-30页 |
| 3.2.1 AP 算法描述 | 第25-27页 |
| 3.2.2 WAP 算法描述 | 第27-28页 |
| 3.2.3 在线聚类 StrAP 算法描述及特征 | 第28-30页 |
| 3.3 基于滑动时间窗口模型的在线流数据聚类挖掘算法 ISTRAP 的设计 | 第30-31页 |
| 3.4 适应历史数据及演化分析的在线流聚类挖掘算法 HSCLUSTER 的设计 | 第31-36页 |
| 3.4.1 HSCLUSTER 算法的基本思想 | 第32页 |
| 3.4.2 HSCLUSTER 算法描述 | 第32-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 并行化加权近邻传播聚类挖掘算法研究 | 第37-43页 |
| 4.1 Hi-WAP 算法描述 | 第37-38页 |
| 4.2 并行化加权近邻传播聚类挖掘算法 P-WAP 的设计 | 第38-39页 |
| 4.3 P-WAP 聚类挖掘算法实现 | 第39-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 仿真与性能分析 | 第43-61页 |
| 5.1 Hadoop 平台搭建 | 第43-49页 |
| 5.1.1 完全分布式的实现 | 第44-47页 |
| 5.1.2 伪分布式的实现 | 第47-49页 |
| 5.2 P-WAP 算法的性能测试与分析 | 第49-51页 |
| 5.2.1 实验数据及运行过程 | 第49页 |
| 5.2.2 P-WAP 与在线 Hi-WAP 性能比较 | 第49-51页 |
| 5.3 ISTRAP 算法的性能测试与分析 | 第51-58页 |
| 5.3.1 实验数据及关键代码 | 第51-54页 |
| 5.3.2 ISTRAP 与在线 K-center 聚类的性能比较 | 第54-56页 |
| 5.3.3 ISTRAP 与 StrAP 的性能比较 | 第56-58页 |
| 5.4 HSCLUSTER 算法的性能测试与分析 | 第58-59页 |
| 5.5 本章小结 | 第59-61页 |
| 第六章 P-WAP 聚类挖掘算法的应用 | 第61-65页 |
| 6.1 文本聚类相关问题 | 第61-63页 |
| 6.1.1 文本聚类的应用与过程 | 第61-62页 |
| 6.1.2 文本向量空间模型 | 第62-63页 |
| 6.2 P-WAP 算法在文本聚类挖掘中的应用 | 第63-64页 |
| 6.3 本章小结 | 第64-65页 |
| 第七章 总结与展望 | 第65-67页 |
| 7.1 总结 | 第65页 |
| 7.2 展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第70-71页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第71-72页 |
| 致谢 | 第72页 |
