| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第14-18页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 论文的主要工作 | 第17页 |
| 1.4 论文内容的组织 | 第17-18页 |
| 2 大规模数据并行处理技术 | 第18-26页 |
| 2.1 云计算概述 | 第18页 |
| 2.2 云计算框架Hadoop | 第18-21页 |
| 2.3 云计算框架Spark | 第21-24页 |
| 2.4 Spark和Hadoop的比较 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 文本聚类与分类相关技术 | 第26-36页 |
| 3.1 文本预处理 | 第26-29页 |
| 3.2 文本表示 | 第29-30页 |
| 3.3 文本聚类 | 第30-32页 |
| 3.4 文本分类 | 第32-35页 |
| 3.5 本章小结 | 第35-36页 |
| 4 基于Spark的大规模文本K-Means并行聚类算法 | 第36-44页 |
| 4.1 串行K-Means聚类算法 | 第36-37页 |
| 4.2 K-Means算法并行化可行性分析 | 第37-38页 |
| 4.3 基于Hadoop的K-Means聚类算法并行化 | 第38-39页 |
| 4.4 基于Spark的K-Means聚类算法并行化 | 第39-42页 |
| 4.5 两种并行化算法的比较 | 第42-43页 |
| 4.6 本章小结 | 第43-44页 |
| 5 基于Spark的朴素贝叶斯文本分类并行化研究 | 第44-56页 |
| 5.1 朴素贝叶斯分类 | 第44-48页 |
| 5.2 朴素贝叶斯算法并行化可行性分析 | 第48-49页 |
| 5.3 基于Hadoop的朴素贝叶斯文本分类并行化 | 第49-51页 |
| 5.4 基于Spark的朴素贝叶斯文本分类并行化 | 第51-55页 |
| 5.5 两种并行化算法的比较 | 第55页 |
| 5.6 本章小结 | 第55-56页 |
| 6 实验测试与分析 | 第56-64页 |
| 6.1 实验环境 | 第56-58页 |
| 6.2 实验文本数据 | 第58-59页 |
| 6.3 并行计算性能指标 | 第59页 |
| 6.4 K-Means文本聚类实验 | 第59-62页 |
| 6.5 朴素贝叶斯文本分类实验 | 第62-63页 |
| 6.6 本章小结 | 第63-64页 |
| 7 总结与展望 | 第64-66页 |
| 7.1 结论 | 第64页 |
| 7.2 展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 作者简历 | 第70-72页 |
| 学位论文数据集 | 第72页 |
