摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第9-13页 |
1.1 研究背景及意义 | 第9-11页 |
1.2 课题来源 | 第11页 |
1.3 本文工作 | 第11-12页 |
1.4 本文结构 | 第12-13页 |
第二章 相关背景知识介绍 | 第13-19页 |
2.1 数据挖掘及其相关算法 | 第13-14页 |
2.1.1 数据挖掘的定义 | 第13页 |
2.1.2 分类挖掘 | 第13页 |
2.1.3 关联规则挖掘 | 第13-14页 |
2.2 云计算概述 | 第14页 |
2.3 Hadoop | 第14-17页 |
2.3.1 Hadoop简介 | 第14-15页 |
2.3.2 MapReduce | 第15-16页 |
2.3.3 HDFS | 第16-17页 |
2.4 Openstack | 第17-18页 |
2.5 本章小结 | 第18-19页 |
第三章 云计算环境下的一种改进的贝叶斯文本分类算法 | 第19-28页 |
3.1 问题分析 | 第19页 |
3.2 贝叶斯分类器 | 第19-21页 |
3.3 朴素贝叶斯算法的缺陷 | 第21页 |
3.4 贝叶斯算法的并行可行性 | 第21-23页 |
3.5 基于朴素贝叶斯算法的改进 | 第23-24页 |
3.5.1 特征词选取及过滤 | 第23-24页 |
3.5.2 核心关键词 | 第24页 |
3.6 云计算环境下的分类算法并行化 | 第24-25页 |
3.6.1 分类器的并行化生成 | 第24-25页 |
3.6.2 测试文本分类的并行化 | 第25页 |
3.7 云平台上的实验结果及分析 | 第25-27页 |
3.8 本章小结 | 第27-28页 |
第四章 云计算环境下的一种关联分析算法 | 第28-38页 |
4.1 问题分析 | 第28页 |
4.2 传统Apriori算法 | 第28-29页 |
4.3 传统Apriori算法的瓶颈及并行化尝试 | 第29-32页 |
4.3.1 传统Apriori算法的缺陷和瓶颈 | 第29-30页 |
4.3.2 Apriori算法的两种并行化尝试 | 第30-32页 |
4.4 ST-Apriori算法 | 第32-35页 |
4.5 ST-Apriori算法应用于MapReduce | 第35-36页 |
4.6 云平台上的实验结果与分析 | 第36-37页 |
4.6.1 实验环境 | 第36页 |
4.6.2 实验数据 | 第36页 |
4.6.3 实验结果与分析 | 第36-37页 |
4.7 本章小结 | 第37-38页 |
第五章 一种基于社交网络的音乐推荐方法 | 第38-44页 |
5.1 问题分析 | 第38页 |
5.2 基于社交网络的音乐推荐 | 第38-40页 |
5.2.1 用户兴趣相似度 | 第38-39页 |
5.2.2 收听频繁度 | 第39页 |
5.2.3 兴趣迁移因子 | 第39-40页 |
5.3 推荐过程 | 第40-43页 |
5.4 本章小结 | 第43-44页 |
第六章 一种弹性的云数据挖掘平台 | 第44-53页 |
6.1 问题分析 | 第44页 |
6.2 解决方案 | 第44-45页 |
6.3 流程分析 | 第45-47页 |
6.4 系统功能实现 | 第47-50页 |
6.4.1 Openstack搭建 | 第47页 |
6.4.2 VM环境准备 | 第47-48页 |
6.4.3 安装配置Hadoop | 第48页 |
6.4.4 节点动态变化 | 第48页 |
6.4.5 虚拟机调度规则修改 | 第48-49页 |
6.4.6 增加swift支持 | 第49-50页 |
6.5 系统效果演示 | 第50-52页 |
6.5.1 管理员面板 | 第50页 |
6.5.2 普通用户界面 | 第50-51页 |
6.5.3 任务发布界面 | 第51页 |
6.5.4 结果查询界面 | 第51-52页 |
6.6 本章小结 | 第52-53页 |
第七章 总结与展望 | 第53-55页 |
7.1 总结 | 第53-54页 |
7.2 展望 | 第54-55页 |
参考文献 | 第55-58页 |
附录1 程序清单 | 第58-59页 |
附录2 攻读硕士学位期间撰写的论文 | 第59-60页 |
附录3 攻读硕士学位期间申请的专利 | 第60-61页 |
附录4 攻读硕士学位期间参加的科研项目 | 第61-62页 |
致谢 | 第62页 |