| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题背景 | 第8页 |
| 1.2 研究意义 | 第8-9页 |
| 1.3 相关概念简介 | 第9-10页 |
| 1.4 国内外研究现状 | 第10-11页 |
| 1.5 本文结构 | 第11-12页 |
| 第二章 相关技术介绍 | 第12-24页 |
| 2.1 数据挖掘技术 | 第12-15页 |
| 2.1.1 数据挖掘概念 | 第12-13页 |
| 2.1.2 数据挖掘方法 | 第13-14页 |
| 2.1.3 影视收视数据挖掘特点 | 第14-15页 |
| 2.2 分类预测算法 | 第15-24页 |
| 2.2.1 关于数据分类(classification) | 第15-16页 |
| 2.2.2 常见分类算法简介 | 第16-18页 |
| 2.2.3 时间序列模式 | 第18-19页 |
| 2.2.4 分类预测算法的优劣点 | 第19-21页 |
| 2.2.5 分类算法的选择 | 第21-24页 |
| 第三章 贝叶斯分类算法模型 | 第24-32页 |
| 3.1 贝叶斯分类算法模型简介 | 第24-25页 |
| 3.1.1 贝叶斯算法模型研究产生背景 | 第24页 |
| 3.1.2 贝叶斯算法研究现状和应用 | 第24-25页 |
| 3.2 朴素贝叶斯 | 第25-31页 |
| 3.2.1 朴素贝叶斯基本原理 | 第25-27页 |
| 3.2.2 拉普拉斯平滑和小概率积 | 第27页 |
| 3.2.3 独立性假设的研究 | 第27-28页 |
| 3.2.4 朴素贝叶斯分类流程 | 第28-29页 |
| 3.2.5 分类过程实例 | 第29-31页 |
| 3.3 分类器评估 | 第31-32页 |
| 第四章 影视数据预处理 | 第32-42页 |
| 4.1 大数据与数据质量 | 第32-33页 |
| 4.2 数据预处理的主要任务 | 第33-34页 |
| 4.3 影视数据特点 | 第34-36页 |
| 4.4 影视收视因素分析 | 第36-37页 |
| 4.5 影视数据预处理相关技术点 | 第37-42页 |
| 4.5.1 数据抽取 | 第37-38页 |
| 4.5.2 缺失值处理方法 | 第38-40页 |
| 4.5.3 异常值的判断和处理 | 第40-41页 |
| 4.5.4 数据抽样 | 第41页 |
| 4.5.5 生成衍生变量 | 第41-42页 |
| 第五章 基于HADOOP的算法实现 | 第42-56页 |
| 5.1 分布式方案的优势 | 第42-44页 |
| 5.2 数据预处理模块设计 | 第44-47页 |
| 5.2.1 数据抽取 | 第44-46页 |
| 5.2.2 数据清洗和规范化 | 第46-47页 |
| 5.2.3 衍生变量 | 第47页 |
| 5.3 数据分析模块设计 | 第47-51页 |
| 5.3.1 训练过程设计 | 第48-50页 |
| 5.3.2 分类过程设计 | 第50-51页 |
| 5.4 评估器的构建 | 第51-53页 |
| 5.5 实验结果与分析 | 第53-56页 |
| 第六章 总结及展望 | 第56-58页 |
| 6.1 论文总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-60页 |
| 附录 缩略语表 | 第60-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间发表的学术论文 | 第62页 |