基于Spark分布式计算框架的IPTV用户投诉预测系统设计与实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 非均衡数据分类问题研究现状 | 第10-12页 |
| 1.2.1 数据层面的研究 | 第10-11页 |
| 1.2.2 算法层面的研究 | 第11-12页 |
| 1.3 本论文研究内容及主要成果 | 第12-14页 |
| 第二章 相关背景知识介绍 | 第14-24页 |
| 2.1 数据处理-机器学习算法介绍 | 第14-17页 |
| 2.1.1 机器学习算法分类 | 第14-15页 |
| 2.1.2 常见的机器学习算法介绍 | 第15-17页 |
| 2.2 分类算法性能评估指标介绍 | 第17-18页 |
| 2.3 Spark 介绍 | 第18-23页 |
| 2.3.1 Spark 产生背景 | 第18-19页 |
| 2.3.2 Spark 生态圈 | 第19-20页 |
| 2.3.3 Spark MLlib | 第20-21页 |
| 2.3.4 Spark Streaming | 第21页 |
| 2.3.5 Spark Graphx | 第21-22页 |
| 2.3.6 Spark SQL | 第22-23页 |
| 2.3.7 SparkR | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 数据预处理与报障指标筛选 | 第24-37页 |
| 3.1 数据预处理 | 第24-28页 |
| 3.1.1 数据集介绍 | 第24-26页 |
| 3.1.2 数据预处理 | 第26-28页 |
| 3.2 报障指标筛选 | 第28-36页 |
| 3.2.1 相关性分析方法 | 第28-29页 |
| 3.2.2 降维法-PCA | 第29-31页 |
| 3.2.3 指标筛选分析过程 | 第31-35页 |
| 3.2.4 指标选取验证 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第四章 用户投诉预测模型 | 第37-49页 |
| 4.1 算法层面—集成算法 | 第37-38页 |
| 4.2 用户投诉预测模型-EMCNE | 第38-43页 |
| 4.2.1 朴素贝叶斯算法 | 第38-40页 |
| 4.2.2 基于朴素贝叶斯算法的集成方法 | 第40-42页 |
| 4.2.3 实验结果及分析 | 第42-43页 |
| 4.3 用户投诉预测模型—SVM-KNN | 第43-48页 |
| 4.3.1 支持向量机一SVM | 第43-45页 |
| 4.3.2 基于SVM的集成方法 | 第45-47页 |
| 4.3.3 实验结果及分析 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 IPTV用户投诉预测系统的设计与实现 | 第49-57页 |
| 5.1 系统需求分析 | 第49-50页 |
| 5.1.1 系统前端需求分析 | 第49页 |
| 5.1.2 系统后台需求分析 | 第49-50页 |
| 5.2 系统环境介绍 | 第50-51页 |
| 5.3 系统设计与实现 | 第51-56页 |
| 5.3.1 系统设计 | 第51-54页 |
| 5.3.2 系统实现 | 第54-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-61页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第61-62页 |
| 附录2 攻读硕士学位期间申请的专利 | 第62-63页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第63-64页 |
| 致谢 | 第64页 |
