| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研发背景 | 第10页 |
| 1.2 项目来源 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-12页 |
| 1.4 本文的现实指导意义 | 第12页 |
| 1.5 本文研究内容与组织结构 | 第12-13页 |
| 1.6 本章小结 | 第13-14页 |
| 第二章 相关理论与技术介绍 | 第14-24页 |
| 2.1 Hadoop | 第14页 |
| 2.2 Hive | 第14-16页 |
| 2.3 Spark | 第16-23页 |
| 2.3.1 Spark体系结构 | 第16-17页 |
| 2.3.2 Spark应用开发 | 第17-21页 |
| 2.3.3 Spark MLlib | 第21-22页 |
| 2.3.4 Spark GraphX | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 BigData-BI需求分析与架构设计 | 第24-38页 |
| 3.1 BigData-BI的需求分析 | 第24-35页 |
| 3.1.1 BigData-BI的系统概述 | 第24-35页 |
| 3.2 BigData-BI的总体架构设计 | 第35-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 中国人寿广东省分公司大数据分析算法 | 第38-84页 |
| 4.1 基于GraphX的并行家谱挖掘算法 | 第38-49页 |
| 4.1.1 业务分析 | 第38-40页 |
| 4.1.2 相关数据准备 | 第40-41页 |
| 4.1.3 基于GraphX的家谱挖掘算法的实现 | 第41-48页 |
| 4.1.4 基于GraphX的家谱挖掘算法的结果分析 | 第48-49页 |
| 4.2 基于分片技术的随机森林算法 | 第49-71页 |
| 4.2.1 业务分析 | 第49-50页 |
| 4.2.2 相关数据准备 | 第50-54页 |
| 4.2.3 基于分片技术的随机森林算法的实现 | 第54-69页 |
| 4.2.4 基于分片技术的随机森林算法的结果分析 | 第69-71页 |
| 4.3 基于内存计算的FP-Growth关联规则挖掘算法 | 第71-83页 |
| 4.3.1 业务分析 | 第71-72页 |
| 4.3.2 相关数据准备 | 第72-75页 |
| 4.3.3 基于内存计算的FP-Growth关联规则挖掘算法的实现 | 第75-81页 |
| 4.3.4 基于内存计算的FP-Growth关联规则挖掘算法的结果分析 | 第81-83页 |
| 4.4 本章小结 | 第83-84页 |
| 结论 | 第84-85页 |
| 参考文献 | 第85-88页 |
| 攻读硕士学位期间取得的研究成果 | 第88-89页 |
| 致谢 | 第89-90页 |
| Ⅳ－2答辩委员会对论文的评定意见 | 第90页 |
