基于网络中对象关系的信息检索和结构分析及其应用
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12-14页 |
| 1.1.1 大数据的浪潮 | 第12-13页 |
| 1.1.2 大数据栈的演进 | 第13-14页 |
| 1.2 研究内容 | 第14-16页 |
| 1.2.1 属性预测的研究 | 第14-15页 |
| 1.2.2 大规模机器学习算法 | 第15-16页 |
| 1.3 论文组织结构 | 第16-18页 |
| 第二章 属性预测 | 第18-40页 |
| 2.1 本章简介 | 第18-20页 |
| 2.2 相关工作 | 第20-21页 |
| 2.3 问题定义与模型 | 第21-28页 |
| 2.3.1 传统分类器 | 第22-23页 |
| 2.3.2 网络分类器 | 第23-24页 |
| 2.3.3 概率图模型 | 第24-28页 |
| 2.4 模型优化方法 | 第28-32页 |
| 2.4.1 多变量交互最小二乘法 | 第29-30页 |
| 2.4.2 稀疏自动编码算子求解 | 第30-31页 |
| 2.4.3 基于Spark的实现 | 第31-32页 |
| 2.5 实验及讨论 | 第32-38页 |
| 2.5.1 电信数据集 | 第32-33页 |
| 2.5.2 微博数据集 | 第33-34页 |
| 2.5.3 测评方法 | 第34-35页 |
| 2.5.4 参数选择 | 第35-36页 |
| 2.5.5 结果分析 | 第36-38页 |
| 2.6 本章小结 | 第38-40页 |
| 第三章 大数据栈单机加速 | 第40-52页 |
| 3.1 本章简介 | 第40-41页 |
| 3.2 相关工作 | 第41页 |
| 3.3 问题与方法 | 第41-46页 |
| 3.3.1 单机性能提升 | 第41-44页 |
| 3.3.2 兼容性与鲁棒性 | 第44-46页 |
| 3.4 NativeTask改进 | 第46-48页 |
| 3.4.1 单机任务代理 | 第46-47页 |
| 3.4.2 跨语言接口 | 第47页 |
| 3.4.3 内存管理机制 | 第47-48页 |
| 3.5 单机加速测评 | 第48-50页 |
| 3.5.1 CPU/IO密集型负载 | 第48-49页 |
| 3.5.2 Task与Job对比 | 第49-50页 |
| 3.5.3 排序算法的效率 | 第50页 |
| 3.5.4 全量与部分NativeTask | 第50页 |
| 3.6 本章小结 | 第50-52页 |
| 第四章 大数据栈水平扩展 | 第52-68页 |
| 4.1 本章简介 | 第52-53页 |
| 4.2 scale-out加速 | 第53-56页 |
| 4.2.1 基于广播的参数处理 | 第53-55页 |
| 4.2.2 基于shuffleRDD的参数处理 | 第55-56页 |
| 4.3 BSP+模型 | 第56-61页 |
| 4.3.1 实验结果 | 第57-61页 |
| 4.4 影响因素分析 | 第61-65页 |
| 4.4.1 Cache | 第61-62页 |
| 4.4.2 Straggler | 第62-64页 |
| 4.4.3 垃圾回收 | 第64-65页 |
| 4.4.4 实验结果 | 第65页 |
| 4.5 本章小结 | 第65-68页 |
| 第五章 优化算法串行解耦 | 第68-78页 |
| 5.1 本章简介 | 第68页 |
| 5.2 算法串行限制 | 第68-77页 |
| 5.2.1 算法与框架的权衡 | 第68-70页 |
| 5.2.2 大规模分布式深层神经网络 | 第70-72页 |
| 5.2.3 参数服务器 | 第72-74页 |
| 5.2.4 实现与测试 | 第74-77页 |
| 5.3 本章小结 | 第77-78页 |
| 第六章 总结及展望 | 第78-80页 |
| 6.1 全文总结 | 第78页 |
| 6.2 不足之处与下一步研究方向 | 第78-80页 |
| 附录 缩略语表 | 第80-82页 |
| 参考文献 | 第82-86页 |
| 致谢 | 第86-88页 |
| 攻读学位期间发表的学术论文目录 | 第88页 |
