| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 1 绪论 | 第11-16页 |
| ·研究背景及意义 | 第11-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·文本分类研究现状 | 第12-13页 |
| ·并行计算研究现状 | 第13-14页 |
| ·论文的主要工作及创新 | 第14-15页 |
| ·论文的组织结构 | 第15-16页 |
| 2 文本分类相关知识 | 第16-25页 |
| ·文本分类过程 | 第16-18页 |
| ·文本分类定义 | 第16页 |
| ·文本分类过程 | 第16-17页 |
| ·文本分类应用 | 第17-18页 |
| ·文本分类算法 | 第18-22页 |
| ·朴素贝叶斯 | 第18-20页 |
| ·支持向量机 | 第20-21页 |
| ·Rocchio 算法 | 第21-22页 |
| ·文本集成学习算法 | 第22-24页 |
| ·基于 Boosting 的集成文本学习 | 第22-23页 |
| ·基于 Bagging 的集成文本学习 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 3 MapReduce 相关技术 | 第25-33页 |
| ·MapReduce 编程模型 | 第25-26页 |
| ·MapReduce 概述 | 第25页 |
| ·MapReduce 编程模型 | 第25-26页 |
| ·MapReduce 执行流程 | 第26-27页 |
| ·MapReduce 实现平台 | 第27-32页 |
| ·Hadoop 系统概述 | 第27-28页 |
| ·Hadoop 分布式文件系统 HDFS | 第28页 |
| ·HDFS 体系结构 | 第28-31页 |
| ·HDFS 的设计目标 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 4 基于 MapReduce 的贝叶斯文本分类器 | 第33-44页 |
| ·朴素贝叶斯算法的可加性 | 第33页 |
| ·朴素贝叶斯文本分类算法改进 | 第33-34页 |
| ·基于 MapReduce 的贝叶斯文本分类算法 | 第34-37页 |
| ·IDNB 分类器训练 | 第35-37页 |
| ·IDNB 分类器测试 | 第37页 |
| ·算法复杂度分析 | 第37页 |
| ·实验和实验结果 | 第37-43页 |
| ·实验环境 | 第37-41页 |
| ·实验数据 | 第41页 |
| ·实验结果与分析 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 5 基于 MapReduce 的贝叶斯集成文本分类器 | 第44-51页 |
| ·贝叶斯集成文本分类 | 第44-45页 |
| ·基于 MapReduce 的贝叶斯集成文本分类算法 | 第45-46页 |
| ·基本思路 | 第45-46页 |
| ·Bagging_IDNB 算法 | 第46页 |
| ·算法复杂度分析 | 第46页 |
| ·实验和实验结果 | 第46-50页 |
| ·实验环境与数据 | 第46-47页 |
| ·训练集与测试集的生成 | 第47页 |
| ·实验结果与分析 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士学位期间发表的论文 | 第57-58页 |