| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 引言 | 第9-13页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.1.1 选题背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 主要的研究工作 | 第10-11页 |
| 1.3 论文结构 | 第11-13页 |
| 第二章 分布式机器学习技术 | 第13-29页 |
| 2.1 机器学习的关键技术 | 第13-15页 |
| 2.2 支持数据并行的分布式系统的发展 | 第15-21页 |
| 2.2.1 Hadoop | 第15页 |
| 2.2.2 Spark | 第15-21页 |
| 2.3 支持模型并行的分布式系统 | 第21-23页 |
| 2.4 词激活力模型 | 第23-24页 |
| 2.5 词向量模型 | 第24-28页 |
| 2.5.1 词向量的概念 | 第25-26页 |
| 2.5.2 使用多层SoftMax方法训练词向量 | 第26-27页 |
| 2.5.3 使用negative sampling方法训练词向量 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 基于数据并行设计分布式的词激活力模型 | 第29-37页 |
| 3.1 词激活力模型的并行化 | 第29页 |
| 3.2 数据并行的词激活力模型的设计与实现 | 第29-31页 |
| 3.2.1 WAF矩阵的计算与存储 | 第30页 |
| 3.2.2 A值矩阵的计算 | 第30-31页 |
| 3.2.3 对传统WAF模型的改进 | 第31页 |
| 3.3 系统设计 | 第31-32页 |
| 3.4 实验与分析 | 第32-34页 |
| 3.4.1 数据准备及实验 | 第32-33页 |
| 3.4.2 结果分析 | 第33-34页 |
| 3.5 本章小结 | 第34-37页 |
| 第四章 微博用户属性建模 | 第37-51页 |
| 4.1 将Word2vec用于非NLP领域 | 第37-41页 |
| 4.1.1 利用Word2vec对社交网络中的用户进行兴趣建模 | 第37-40页 |
| 4.1.2 存在的问题与解决方法 | 第40-41页 |
| 4.2 模型并行的分布式机器学习系统 | 第41-43页 |
| 4.2.1 异步消息通信系统的设计 | 第41-42页 |
| 4.2.2 参数服务器的设计 | 第42-43页 |
| 4.3 支持模型并行的Word2vec模型 | 第43-46页 |
| 4.3.1 用户兴趣向量模型的训练原理 | 第43-45页 |
| 4.3.2 计算策略 | 第45页 |
| 4.3.3 简化API | 第45-46页 |
| 4.4 实验结果分析 | 第46-50页 |
| 4.4.1 实验结果 | 第46-47页 |
| 4.4.2 结果分析 | 第47-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 论文工作总结 | 第51页 |
| 5.2 不足与展望 | 第51-53页 |
| 参考文献 | 第53-55页 |
| 致谢 | 第55-56页 |