首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

基于Spark的话题检测与跟踪技术研究

摘要第4-5页
abstract第5-6页
第一章 绪论第9-15页
    1.1 研究背景与意义第9-10页
    1.2 国内外研究历史与现状第10-13页
    1.3 论文的研究内容和主要工作第13页
    1.4 论文的组织结构第13-15页
第二章 相关理论与技术基础第15-31页
    2.1 Spark相关技术第15-21页
        2.1.1 核心引擎(SparkCore)第16-18页
        2.1.2 结构化数据(SparkSQL)第18-19页
        2.1.3 实时流计算(SparkStreaming)第19-20页
        2.1.4 机器学习(MLlib)第20页
        2.1.5 图计算(GraphX)第20-21页
    2.2 文本处理相关技术第21-27页
        2.2.1 中文自动分词第21-22页
        2.2.2 去除停用词第22-23页
        2.2.3 文本表示模型第23-27页
        2.2.4 文本相似度计算第27页
    2.3 Word2vec词向量模型第27-30页
    2.4 网络爬虫技术第30页
    2.5 本章小结第30-31页
第三章 基于单遍聚类算法的并行化话题检测第31-41页
    3.1 传统话题检测的特点分析第31-32页
    3.2 并行化话题检测的流程设计第32-33页
    3.3 并行化的文本表示第33-36页
        3.3.1 文本预处理第33-34页
        3.3.2 文本特征提取第34-35页
        3.3.3 文本并行向量化第35-36页
    3.4 并行化的文本聚类第36-38页
        3.4.1 文本相似度计算第36-37页
        3.4.2 并行化的单遍聚类算法第37-38页
    3.5 基于Spark的并行化话题检测实现第38-40页
    3.6 本章小结第40-41页
第四章 基于频繁词集的并行化话题跟踪第41-51页
    4.1 传统话题跟踪的特点分析第41-42页
    4.2 并行化话题跟踪的流程设计第42-43页
    4.3 基于频繁模式增长算法的频繁词集话题表示第43-45页
        4.3.1 频繁词集挖掘第43-44页
        4.3.2 基于频繁模式增长算法的频繁词集挖掘算法第44-45页
    4.4 频繁词集相似度计算第45-48页
        4.4.1 基于Word2vec词向量模型的频繁词向量集第46页
        4.4.2 基于EMD的相似度计算第46-48页
    4.5 基于Spark的并行化话题跟踪实现第48-50页
    4.6 本章小结第50-51页
第五章 网络信息采集与实验测评第51-68页
    5.1 网络信息采集第51-54页
        5.1.1 分布式网络爬虫工作原理第51-53页
        5.1.2 分布式网络爬虫系统的实现第53-54页
    5.2 实验设计第54-59页
        5.2.1 实验环境第54-55页
        5.2.2 实验数据第55-56页
        5.2.3 实验评价指标第56-59页
    5.3 基于单遍聚类的并行化话题检测实验结果分析第59-63页
        5.3.1 话题检测准确性分析第59-61页
        5.3.2 话题检测并行化性能分析第61-63页
    5.4 基于频繁词集的并行化话题跟踪实验结果分析第63-67页
        5.4.1 话题跟踪准确性分析第63-65页
        5.4.2 话题跟踪并行化性能分析第65-67页
    5.5 本章小结第67-68页
第六章 总结与展望第68-70页
    6.1 全文总结第68页
    6.2 未来工作展望第68-70页
致谢第70-71页
参考文献第71-74页

论文共74页,点击 下载论文
上一篇:监控视频中基于深度学习的人脸检测与识别算法研究
下一篇:车联网中停放车辆资源的整合与优化研究