| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.2.1 文本挖掘 | 第12页 |
| 1.2.2 大数据技术 | 第12-13页 |
| 1.3 文章内容及意义 | 第13-14页 |
| 1.4 文章结构 | 第14-15页 |
| 第2章 相关知识与技术介绍 | 第15-25页 |
| 2.1 文本挖掘 | 第15-17页 |
| 2.2 并行计算框架Spark | 第17-20页 |
| 2.2.1 Spark生态圈 | 第17-18页 |
| 2.2.2 运行架构及计算模型 | 第18-19页 |
| 2.2.3 优势分析 | 第19-20页 |
| 2.3 分布式文件系统HDFS | 第20-21页 |
| 2.4 其他相关知识及技术 | 第21-24页 |
| 2.4.1 网络爬虫 | 第21-22页 |
| 2.4.2 文本信息可视化 | 第22-23页 |
| 2.4.3 机器学习 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 Web文本挖掘算法研究 | 第25-35页 |
| 3.1 文本挖掘算法概述 | 第25-26页 |
| 3.2 TF-IDF算法 | 第26-29页 |
| 3.2.1 TF-IDF算法简介 | 第26页 |
| 3.2.2 TF-IDF算法改进 | 第26-27页 |
| 3.2.3 TF-IDF并行化研究 | 第27-29页 |
| 3.3 LDA主题模型 | 第29-34页 |
| 3.3.1 LDA模型原理 | 第29-31页 |
| 3.3.2 Gibbs采样法推导LDA | 第31-33页 |
| 3.3.3 Labeled-LDA主题模型 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于Spark的Web文本挖掘系统总体设计 | 第35-42页 |
| 4.1 系统功能需求 | 第35-37页 |
| 4.1.1 Web文本采集 | 第35页 |
| 4.1.2 文本分析 | 第35-36页 |
| 4.1.3 结果展示 | 第36页 |
| 4.1.4 数据存储 | 第36-37页 |
| 4.2 系统概要设计 | 第37-41页 |
| 4.2.1 系统架构设计 | 第37-38页 |
| 4.2.2 模块划分及技术选型 | 第38-39页 |
| 4.2.3 数据处理逻辑 | 第39-40页 |
| 4.2.4 界面设计 | 第40-41页 |
| 4.3 本章小结 | 第41-42页 |
| 第5章 基于Spark的Web文本挖掘系统详细设计与实现 | 第42-57页 |
| 5.1 环境搭建及部署 | 第42页 |
| 5.2 系统详细设计与实现 | 第42-53页 |
| 5.2.1 信息采集模块 | 第43-46页 |
| 5.2.2 文本分析模块 | 第46-50页 |
| 5.2.3 文本信息可视化模块 | 第50-53页 |
| 5.3 操作示例及运行结果 | 第53-55页 |
| 5.4 本章小结 | 第55-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 本文总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-61页 |
| 作者简介 | 第61-62页 |
| 致谢 | 第62页 |