| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究意义 | 第8-9页 |
| 1.2 国内外研究现状分析 | 第9-11页 |
| 1.3 本文主要研究内容 | 第11-12页 |
| 1.4 本文组织结构 | 第12-14页 |
| 第2章 贝叶斯网和海量数据处理编程模型 | 第14-20页 |
| 2.1 贝叶斯网简介 | 第14-15页 |
| 2.1.1 贝叶斯网的基本概念及性质 | 第14-15页 |
| 2.1.2 贝叶斯网推理 | 第15页 |
| 2.2 海量数据处理编程模型简介 | 第15-20页 |
| 2.2.1 Hadoop | 第15-17页 |
| 2.2.2 MapReduce | 第17-19页 |
| 2.2.3 HBase | 第19-20页 |
| 第3章 基于贝叶斯网的社交网络用户建模 | 第20-28页 |
| 3.1 问题陈述 | 第20页 |
| 3.2 基于贝叶斯网的社交网络用户模型构建 | 第20-23页 |
| 3.3 基于HBase的社交网络用户模型存储 | 第23-24页 |
| 3.4 实验结果 | 第24-28页 |
| 3.4.1 算法执行时间 | 第25-26页 |
| 3.4.2 算法加速比 | 第26-27页 |
| 3.4.3 算法并行效率 | 第27-28页 |
| 第4章 基于社交用户贝叶斯网的用户相似性度量方法 | 第28-40页 |
| 4.1 问题陈述 | 第28页 |
| 4.2 基于概率推理的社交网络用户间接相似性 | 第28-31页 |
| 4.2.1 基于MapReduce的大规模贝叶斯网推理 | 第28-29页 |
| 4.2.2 基于概率推理的间接相似性度量 | 第29-31页 |
| 4.3 基于图结构的社交网络用户间接相似性 | 第31-33页 |
| 4.4 社交网络用户相似性度量 | 第33-34页 |
| 4.5 实验结果 | 第34-40页 |
| 4.5.1 算法执行时间 | 第34-36页 |
| 4.5.2 算法加速比 | 第36-37页 |
| 4.5.3 算法并行效率 | 第37页 |
| 4.5.4 算法的正确性 | 第37-40页 |
| 第5章 原型系统设计与实现 | 第40-48页 |
| 5.1 问题陈述 | 第40页 |
| 5.2 原型系统设计 | 第40-42页 |
| 5.3 原型系统实现与展示 | 第42-48页 |
| 5.3.1 系统界面 | 第42-43页 |
| 5.3.2 主要功能实现 | 第43-48页 |
| 第6章 总结与展望 | 第48-50页 |
| 6.1 总结 | 第48页 |
| 6.2 展望 | 第48-50页 |
| 附录 | 第50-58页 |
| 附录1. 读研期间发表的学术论文 | 第50页 |
| 附录2. 读研期间申请的发明专利 | 第50页 |
| 附录3. 读研期间参与的科研项目 | 第50页 |
| 附录4. 读研期间获得的奖励 | 第50页 |
| 附录5. 主要源代码 | 第50-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62页 |