| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 社交网络用户影响力分析 | 第12-15页 |
| 1.2.2 基于Hadoop平台的分布式并行算法设计 | 第15-17页 |
| 1.3 论文的主要工作 | 第17-18页 |
| 1.4 论文的组织结构 | 第18-19页 |
| 第二章 相关理论和技术简介 | 第19-30页 |
| 2.1 常用的社交网络用户影响力评估算法 | 第19-21页 |
| 2.1.1 基于PageRank的评估算法 | 第19页 |
| 2.1.2 基于URL追踪的评估算法 | 第19-20页 |
| 2.1.3 基于用户联系强度的评估算法 | 第20页 |
| 2.1.4 基于节点相关原则的评估算法 | 第20-21页 |
| 2.2 经典粒子群优化算法 | 第21-22页 |
| 2.2.1 粒子群优化算法简介 | 第21-22页 |
| 2.2.2 相比于其它群体智能优化算法的优势 | 第22页 |
| 2.3 Hadoop平台关键技术 | 第22-29页 |
| 2.3.1 分布式并行化编程模型MapReduce | 第22-26页 |
| 2.3.2 分布式文件系统HDFS | 第26-27页 |
| 2.3.3 分布式文件存储系统HBase | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于PageRank的评估算法URank研究与设计 | 第30-40页 |
| 3.1 PageRank算法分析 | 第30-33页 |
| 3.1.1 PageRank算法基本原理 | 第30-32页 |
| 3.1.2 PageRank算法适用环境 | 第32-33页 |
| 3.2 基于改进PageRank算法的URank算法设计 | 第33-36页 |
| 3.2.1 URank算法设计思想 | 第33-34页 |
| 3.2.2 URank算法设计 | 第34-35页 |
| 3.2.3 URank算法实现 | 第35-36页 |
| 3.3 基于MapReduce的URank算法并行化实现 | 第36-38页 |
| 3.3.1 算法并行设计思想 | 第36-37页 |
| 3.3.2 算法并行化实现 | 第37-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第四章 基于粒子群优化的评估算法PsoRank研究与设计 | 第40-48页 |
| 4.1 粒子群优化算法基本原理 | 第40-41页 |
| 4.2 基于改进粒子群优化算法的PsoRank算法设计 | 第41-44页 |
| 4.2.1 PsoRank算法设计思想 | 第41页 |
| 4.2.2 PsoRank算法设计与实现 | 第41-44页 |
| 4.2.3 对粒子群算法的改进 | 第44页 |
| 4.3 基于MapReduce的PsoRank算法并行化实现 | 第44-47页 |
| 4.3.1 算法并行化设计思想 | 第44-45页 |
| 4.3.2 算法并行化实现 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 实验平台搭建与实验结果分析 | 第48-67页 |
| 5.1 实验平台搭建 | 第48-51页 |
| 5.1.1 Hadoop集群搭建流程 | 第48-51页 |
| 5.1.2 HBase数据库系统配置 | 第51页 |
| 5.2 实验数据获取与分析 | 第51-53页 |
| 5.3 实验数据预处理与数据存储 | 第53-61页 |
| 5.3.1 实验数据预处理 | 第53-58页 |
| 5.3.2 实验数据存储 | 第58-61页 |
| 5.4 实验平台性能分析 | 第61-62页 |
| 5.5 实验结果分析 | 第62-66页 |
| 5.6 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士学位期间发表的论文 | 第74页 |
