| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文研究内容 | 第13-17页 |
| 1.4 文章结构 | 第17-18页 |
| 第二章 相关概念及技术介绍 | 第18-26页 |
| 2.1 聚类算法 | 第18-22页 |
| 2.1.1 聚类算法简述 | 第18-19页 |
| 2.1.2 KMeans和K-Medoids | 第19-21页 |
| 2.1.3 近邻传播算法(AP算法) | 第21页 |
| 2.1.4 CLOPE | 第21-22页 |
| 2.2 分布式计算框架 | 第22-25页 |
| 2.2.1 Spark并行计算框架 | 第22-23页 |
| 2.2.2 Spark的优势 | 第23-25页 |
| 2.2.3 Spark容错机制 | 第25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 聚类算法的并行化实现 | 第26-47页 |
| 3.1 CLARA算法并行研究 | 第26-30页 |
| 3.1.1 算法描述 | 第26-27页 |
| 3.1.2 CLARA算法的并行化 | 第27-28页 |
| 3.1.3 并行化CLARA算法的改进 | 第28-30页 |
| 3.2 DisAP算法的并行研究 | 第30-36页 |
| 3.2.1 算法描述 | 第31-33页 |
| 3.2.2 基于Spark的并行DisAP算法 | 第33-36页 |
| 3.3 p-CLOPE算法的并行研究 | 第36-41页 |
| 3.3.1 算法描述 | 第36-39页 |
| 3.3.2 基于Spark的并行p-CLOPE算法 | 第39-41页 |
| 3.4 并行聚类算法实验 | 第41-46页 |
| 3.4.1 实验环境 | 第41页 |
| 3.4.2 过程与结果分析 | 第41-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于聚类算法的微博数据分析应用 | 第47-65页 |
| 4.1 需求分析 | 第47-48页 |
| 4.2 微博数据聚类分析系统框架 | 第48-49页 |
| 4.3 微博数据采集 | 第49页 |
| 4.4 数据预处理 | 第49-51页 |
| 4.4.1 属性选择与数据清洗 | 第49-50页 |
| 4.4.2 停用词处理 | 第50页 |
| 4.4.3 文本分词 | 第50-51页 |
| 4.5 特征提取 | 第51-55页 |
| 4.5.1 词的向量化 | 第51-52页 |
| 4.5.2 TF-IDF关键词抽取 | 第52-54页 |
| 4.5.3 Word2vec | 第54页 |
| 4.5.4 文档向量化 | 第54-55页 |
| 4.6 系统实现及应用 | 第55-59页 |
| 4.6.1 系统流程 | 第55-56页 |
| 4.6.2 系统界面 | 第56-59页 |
| 4.7 实验与分析 | 第59-64页 |
| 4.7.1 实验环境 | 第59页 |
| 4.7.2 微博聚类 | 第59-62页 |
| 4.7.3 聚类结果 | 第62-63页 |
| 4.7.4 问题与分析 | 第63-64页 |
| 4.8 本章小结 | 第64-65页 |
| 第五章 系统集成与应用 | 第65-77页 |
| 5.1 BDAP大数据平台概述 | 第65-67页 |
| 5.2 聚类算法的平台集成 | 第67-76页 |
| 5.2.1 OSGI组件集成机制 | 第67-68页 |
| 5.2.2 算法组件的设计与集成 | 第68-76页 |
| 5.3 本章小结 | 第76-77页 |
| 第六章 总结 | 第77-78页 |
| 参考文献 | 第78-80页 |
| 致谢 | 第80-81页 |
| 攻读学位期间取得的研究成果 | 第81页 |