| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文的主要研究内容 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 2 相关技术介绍 | 第15-27页 |
| 2.1 数据挖掘 | 第15-16页 |
| 2.1.1 数据挖掘的概念 | 第15-16页 |
| 2.1.2 数据挖掘的过程 | 第16页 |
| 2.2 聚类算法概述 | 第16-20页 |
| 2.2.1 聚类算法概念 | 第16-18页 |
| 2.2.2 样本相似性度量 | 第18-19页 |
| 2.2.3 聚类效果的评价 | 第19页 |
| 2.2.4 传统的聚类算法 | 第19-20页 |
| 2.3 相关的技术 | 第20-26页 |
| 2.3.1 Hadoop简介 | 第20-21页 |
| 2.3.2 Spark简介 | 第21-23页 |
| 2.3.3 弹性分布数据集 | 第23-25页 |
| 2.3.4 并行操作和共享变量 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 分布式环境下K-medoids改进算法的并行化设计与实现 | 第27-34页 |
| 3.1 Canopy算法思想详述 | 第27-28页 |
| 3.1.1 算法概述 | 第27-28页 |
| 3.1.2 算法实现步骤 | 第28页 |
| 3.2 K-medoids算法思想详述 | 第28-30页 |
| 3.2.1 算法概述 | 第28-29页 |
| 3.2.2 算法实现的描述 | 第29页 |
| 3.2.3 算法的优缺点 | 第29-30页 |
| 3.3 基于Hadoop的Canopy-Kmdeoids算法的并行化设计与实现 | 第30-32页 |
| 3.4 基于Spark的Canopy-Kmdeoids算法的并行化设计与实现 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 4 实验平台设计与结果分析 | 第34-40页 |
| 4.1 软硬件环境 | 第34页 |
| 4.2 实验平台的搭建 | 第34-35页 |
| 4.3 实验数据准备 | 第35-36页 |
| 4.4 实验过程及结果分析 | 第36-39页 |
| 4.5 本章小结 | 第39-40页 |
| 5 总结与展望 | 第40-42页 |
| 5.1 总结 | 第40页 |
| 5.2 展望 | 第40-42页 |
| 参考文献 | 第42-46页 |
| 攻读硕士学位期间发表学术论文情况 | 第46-47页 |
| 致谢 | 第47页 |
