社交网络大数据分析平台及用户转发行为分析
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.4 本文组织结构 | 第17-20页 |
| 第二章 Spark相关技术综述 | 第20-28页 |
| 2.1 快速数据处理工具Spark | 第20-23页 |
| 2.1.1 Spark计算流程 | 第21-22页 |
| 2.1.2 HDFS | 第22-23页 |
| 2.2 开源软件栈BDAS | 第23-25页 |
| 2.3 面向对象与函数式编程语言Scala | 第25-26页 |
| 2.4 分布式消息通信工具Akka | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 社交网络大数据分析平台 | 第28-50页 |
| 3.1 引言 | 第28-29页 |
| 3.2 社交网络大数据分析总体设计 | 第29-30页 |
| 3.3 数据抓取模块 | 第30-35页 |
| 3.3.1 分布式新浪微博爬虫工作流程 | 第30-33页 |
| 3.3.2 分布式新浪微博爬虫架构 | 第33-34页 |
| 3.3.3 新浪微博模拟登陆 | 第34-35页 |
| 3.4 数据预处理与存储模块 | 第35-36页 |
| 3.5 数据挖掘与分析模块 | 第36-41页 |
| 3.5.1 数据挖掘与分析模块扩展方法 | 第37-38页 |
| 3.5.2 RESTful接口 | 第38页 |
| 3.5.3 Spark-Job Server | 第38-39页 |
| 3.5.4 Hive | 第39-40页 |
| 3.5.5 Hive on Spark | 第40-41页 |
| 3.6 数据可视化模块 | 第41-42页 |
| 3.7 社交网络大数据平台实现 | 第42-48页 |
| 3.7.1 数据抓取模块实现 | 第43-44页 |
| 3.7.2 数据预处理与存储模块实现 | 第44页 |
| 3.7.3 数据挖掘与分析模块实现 | 第44-45页 |
| 3.7.4 数据可视化模块实现 | 第45-48页 |
| 3.8 本章小结 | 第48-50页 |
| 第四章 社交网络用户行为分析 | 第50-62页 |
| 4.1 微博用户的行为 | 第50-51页 |
| 4.2 多任务学习框架 | 第51-55页 |
| 4.2.1 多任务学习综述 | 第51-53页 |
| 4.2.2 逻辑回归模型的多任务扩展 | 第53-55页 |
| 4.3 微博用户转发行为预测算法 | 第55-56页 |
| 4.4 实验与分析 | 第56-61页 |
| 4.4.1 数据描述 | 第56-57页 |
| 4.4.2 特征选择 | 第57-58页 |
| 4.4.3 实验结果与分析 | 第58-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 工作总结 | 第62页 |
| 5.2 研究展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 作者简介 | 第70-71页 |
