基于大数据处理技术的数据可信度量方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 大数据处理技术的研究现状 | 第11-12页 |
| 1.2.2 数据可信度量的研究现状 | 第12-13页 |
| 1.3 课题研究的主要内容 | 第13页 |
| 1.4 本文的组织结构 | 第13-14页 |
| 第2章 大数据处理关键技术分析 | 第14-21页 |
| 2.1 大数据处理技术概述 | 第14-15页 |
| 2.1.1 大数据的定义及持点 | 第14页 |
| 2.1.2 大数据计算特征 | 第14-15页 |
| 2.2 HADOOP分布式系统 | 第15-16页 |
| 2.3 SPARK分布式计算框架 | 第16-18页 |
| 2.3.1 分布式文件系统 | 第17页 |
| 2.3.2 Spark运行架构 | 第17-18页 |
| 2.3.3 Spark应用框架 | 第18页 |
| 2.4 HIVE数据仓库 | 第18-19页 |
| 2.5 HBASE列式存储数据库 | 第19-20页 |
| 2.5.1 HBase基本架构 | 第19页 |
| 2.5.2 HBase数据模型 | 第19-20页 |
| 2.5.3 HBase的持点 | 第20页 |
| 2.6 本章小结 | 第20-21页 |
| 第3章 数据可信计算方法模型研究 | 第21-31页 |
| 3.1 可信度计算模型 | 第22-24页 |
| 3.1.1 基于交易反馈的模型 | 第22-23页 |
| 3.1.2 基于关系的可信模型 | 第23页 |
| 3.1.3 基于兴趣的可信模型 | 第23-24页 |
| 3.2 可信度计算一般方法 | 第24-26页 |
| 3.2.1 交易评价的简单加和或平均 | 第24页 |
| 3.2.2 概率法 | 第24-25页 |
| 3.2.3 模糊逻辑法 | 第25-26页 |
| 3.2.4 各种方法比较 | 第26页 |
| 3.3 经典可信度计算方法 | 第26-29页 |
| 3.3.1 EigenTrust算法 | 第26-27页 |
| 3.3.2 PeerTrust算法 | 第27-28页 |
| 3.3.3 模糊理论算法 | 第28-29页 |
| 3.4 可信度计算的安全问题 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第4章 大数据可信度量方法设计 | 第31-38页 |
| 4.1 大数据可信计算模型 | 第31-32页 |
| 4.2 主观可信度计算 | 第32-33页 |
| 4.3 全局可信度计算 | 第33-34页 |
| 4.4 本地可信度计算 | 第34-35页 |
| 4.5 实验仿真 | 第35-37页 |
| 4.5.1 仿真实验设计 | 第35-36页 |
| 4.5.2 算法过程分析 | 第36页 |
| 4.5.3 实验结果分析 | 第36-37页 |
| 4.6 本章小结 | 第37-38页 |
| 第5章 大数据可信度量方法在电子商务中的应用 | 第38-49页 |
| 5.1 电子商务数据可信度量系统 | 第38页 |
| 5.2 SPARK开发环境搭建 | 第38-42页 |
| 5.3 系统总体架构设计 | 第42-43页 |
| 5.4 系统数据库的设计 | 第43-45页 |
| 5.5 系统各功能模块的设计 | 第45-48页 |
| 5.5.1 买家与卖家信任计算模块 | 第45-46页 |
| 5.5.2 卖家信誉计算模块 | 第46-47页 |
| 5.5.3 买家信誉计算模块 | 第47-48页 |
| 5.5.4 用户查询模块 | 第48页 |
| 5.6 本章小结 | 第48-49页 |
| 第6章 结论与展望 | 第49-51页 |
| 6.1 结论 | 第49-50页 |
| 6.2 展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 攻读硕士学位期间发表的论文及其他研究成果 | 第54-55页 |
| 致谢 | 第55页 |
