基于云计算的食品安全舆情分析算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 引言 | 第8页 |
| 1.2 研究背景与意义 | 第8-10页 |
| 1.2.1 云计算、舆情基本概念 | 第8-9页 |
| 1.2.2 食品安全舆情的特点 | 第9页 |
| 1.2.3 云计算、食品安全舆情分析意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-11页 |
| 1.3.1 国外研究现状 | 第10页 |
| 1.3.2 国内研究现状 | 第10-11页 |
| 1.4 论文研究内容与章节组织 | 第11-13页 |
| 第二章 食品安全舆情分析关键技术 | 第13-29页 |
| 2.1 食品安全舆情信息获取技术 | 第13-18页 |
| 2.1.1 网络爬虫 | 第13-16页 |
| 2.1.2 主题爬虫 | 第16-18页 |
| 2.2 食品安全舆情信息预处理技术 | 第18-23页 |
| 2.2.1 网页清洗技术 | 第18页 |
| 2.2.2 文本分词 | 第18-19页 |
| 2.2.3 文本表示模型 | 第19-20页 |
| 2.2.4 文本特征选择 | 第20-23页 |
| 2.3 文本分类算法 | 第23-25页 |
| 2.3.1 KNN分类算法 | 第23页 |
| 2.3.2 贝叶斯分类算法 | 第23-24页 |
| 2.3.3 支持向量机分类算法 | 第24-25页 |
| 2.4 食品安全舆情分析技术 | 第25-28页 |
| 2.4.1 食品安全舆情信息分类 | 第25-26页 |
| 2.4.2 食品安全舆情话题发现 | 第26页 |
| 2.4.3 食品安全舆情热点排名 | 第26-27页 |
| 2.4.4 食品安全舆情情感倾向分析 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 一种改进的KNN文本分类算法 | 第29-35页 |
| 3.1 KNN算法 | 第29-30页 |
| 3.2 基于类中心的抽样方法 | 第30-31页 |
| 3.3 改进的KNN算法 | 第31页 |
| 3.4 实验结果与分析 | 第31-33页 |
| 3.5 本章小结 | 第33-35页 |
| 第四章 一种改进的互信息文本特征选择方法 | 第35-47页 |
| 4.1 文本互信息 | 第35-36页 |
| 4.2 改进的互信息 | 第36-37页 |
| 4.2.1 基于最大差距的互信息 | 第36-37页 |
| 4.2.2 改进的基于最大差距的互信息 | 第37页 |
| 4.3 朴素贝叶斯分类算法 | 第37-38页 |
| 4.4 标准数据集实验结果与分析 | 第38-42页 |
| 4.5 食品安全数据集实验结果与分析 | 第42-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第五章 食品安全云计算环境构建 | 第47-67页 |
| 5.1 Hadoop生态系统 | 第47-48页 |
| 5.2 基于食品安全云的HDFS | 第48-50页 |
| 5.3 资源管理系统YARN | 第50-52页 |
| 5.4 基于词频统计的MapReduce模型 | 第52-54页 |
| 5.5 贝叶斯算法的MapReduce设计 | 第54-60页 |
| 5.6 改进的互信息算法MapReduce设计 | 第60-61页 |
| 5.7 食品安全云计算环境与实验 | 第61-66页 |
| 5.7.1 食品安全云计算环境 | 第61-62页 |
| 5.7.2 实验结果与分析 | 第62-66页 |
| 5.8 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 全文总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 附录 | 第73-74页 |
| 图版 | 第74-76页 |
