| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第8-17页 |
| 第一节 论文研究背景和意义 | 第8-10页 |
| 第二节 国内外研究现状 | 第10-14页 |
| 一、主题挖掘的发展历程 | 第10-11页 |
| 二、主题模型研究现状 | 第11-13页 |
| 三、Hadoop发展历程和现状 | 第13-14页 |
| 第三节 论文研究内容 | 第14-15页 |
| 第四节 论文组织架构 | 第15-17页 |
| 第二章 相关技术研究 | 第17-35页 |
| 第一节 文本预处理 | 第17-19页 |
| 一、分词技术 | 第17-18页 |
| 二、正则表达式 | 第18-19页 |
| 第二节 LDA主题模型 | 第19-23页 |
| 一、LDA生成模型简介 | 第19-22页 |
| 二、LDA模型训练 | 第22页 |
| 三、LDA模型的特征和优势 | 第22-23页 |
| 第三节 聚类分析技术 | 第23-30页 |
| 一、聚类概念与聚类过程 | 第23-24页 |
| 二、聚类分析中的数据结构 | 第24-25页 |
| 三、主要的聚类算法 | 第25-30页 |
| 第四节 Hadoop技术架构 | 第30-34页 |
| 一、Hadoop的工作方式及总体架构 | 第30-31页 |
| 二、HDFS的架构 | 第31-33页 |
| 三、MapReduce编程模型 | 第33-34页 |
| 第五节 本章小结 | 第34-35页 |
| 第三章 基于Hado op的HM- LDA主题生成模型 | 第35-52页 |
| 第一节 算法基本思想和结构 | 第35-36页 |
| 第二节 文本噪音处理 | 第36-39页 |
| 第三节 HM-LDA主题生成模型 | 第39-46页 |
| 一、生成主题词 | 第39-43页 |
| 二、层次聚类算法 | 第43-45页 |
| 三、算法小结 | 第45-46页 |
| 第四节 基于Hadoop的主题生成 | 第46-51页 |
| 一、Map/reduce中文分词预处理 | 第46-48页 |
| 二、HM-LDA主题模型建立和参数估计 | 第48-51页 |
| 第五节 本章小结 | 第51-52页 |
| 第四章 实验和结果分析 | 第52-61页 |
| 第一节 实验环境和数据获取 | 第52-56页 |
| 一、实验环境 | 第52页 |
| 二、实验数据获取 | 第52-56页 |
| 第二节 实验结果分析 | 第56-60页 |
| 一、与传统LDA算法的精度对比 | 第56-57页 |
| 二、速度性能对比 | 第57-60页 |
| 第三节 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66页 |