| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-14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页 |
| 1.3 论文主要研究内容 | 第12-13页 |
| 1.4 论文结构安排 | 第13-14页 |
| 第2章 HADOOP相关技术 | 第14-30页 |
| 2.1 HADOOP简介 | 第14-22页 |
| 2.1.1 分布式文件系统——HDFS | 第15-18页 |
| 2.1.2 分布式计算模型——Map Reduce | 第18-20页 |
| 2.1.3 分布式数据库——HBase架构解析 | 第20-21页 |
| 2.1.4 分布式网络通信协议——Hadoop RPC架构解析 | 第21页 |
| 2.1.5 Hadoop RPC特点 | 第21-22页 |
| 2.2 常用数据挖掘算法 | 第22-28页 |
| 2.2.1 数据挖掘 | 第22页 |
| 2.2.2 K-Means聚类分析算法 | 第22-24页 |
| 2.2.3 Apriori关联规则算法 | 第24-28页 |
| 2.3 大数据分析技术 | 第28-30页 |
| 2.3.1 大数据特点 | 第28-29页 |
| 2.3.2 大数据面临的挑战 | 第29-30页 |
| 第3章 系统分析与实现 | 第30-46页 |
| 3.1 天气数据分析 | 第30页 |
| 3.2.0 数据种类 | 第30页 |
| 3.2.1 数据特点 | 第30页 |
| 3.2.2 数据应用 | 第30页 |
| 3.2 系统数据需求分析 | 第30-31页 |
| 3.3 系统城市特点需求分析 | 第31页 |
| 3.4 用户兴趣模型建模 | 第31-32页 |
| 3.4.1 用户兴趣模型 | 第31-32页 |
| 3.4.2 城市匹配度模型算法 | 第32页 |
| 3.5 个性化推荐算法 | 第32-34页 |
| 3.5.1 协同过滤推荐算法 | 第32-34页 |
| 3.5.2 基于关联规则的推荐算法 | 第34页 |
| 3.6 系统建模 | 第34-46页 |
| 3.6.1 天气数据分析处理 | 第34-38页 |
| 3.6.2 城市特征分类 | 第38-44页 |
| 3.6.3 城市天气匹配度计算推荐 | 第44-46页 |
| 第4章 实验与结果 | 第46-54页 |
| 4.1 实验环境 | 第46页 |
| 4.1.1 硬件环境 | 第46页 |
| 4.1.2 软件环境 | 第46页 |
| 4.2 实验步骤 | 第46-49页 |
| 4.2.1 用户兴趣模型结构 | 第46-47页 |
| 4.2.2 搭建Hadoop平台 | 第47-49页 |
| 4.3 实验数据与过程 | 第49-53页 |
| 4.4 实验结果与分析 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60页 |