| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-17页 |
| ·研究背景及意义 | 第10-12页 |
| ·研究背景 | 第10-12页 |
| ·研究意义 | 第12页 |
| ·国内外研究现状 | 第12-14页 |
| ·数据挖掘并行化研究现状 | 第12-13页 |
| ·AP聚类及其并行优化研究现状 | 第13-14页 |
| ·本文的主要工作 | 第14-15页 |
| ·研究目标 | 第14-15页 |
| ·研究内容 | 第15页 |
| ·论文组织结构 | 第15-17页 |
| 第2章 相关理论知识和关键技术 | 第17-33页 |
| ·聚类分析 | 第17-21页 |
| ·聚类的基本概念 | 第17-18页 |
| ·不同聚类类型 | 第18页 |
| ·聚类评估 | 第18-19页 |
| ·AP聚类算法 | 第19-21页 |
| ·分布式计算平台Hadoop | 第21-25页 |
| ·Hadoop架构模型 | 第21-24页 |
| ·Map Reduce基本原理 | 第24-25页 |
| ·Hadoop中MapReduce编程模型 | 第25页 |
| ·内存计算平台Spark | 第25-30页 |
| ·Spark核心体系架构 | 第25-26页 |
| ·分布式弹性数据集RDD | 第26-27页 |
| ·Spark中的分布式编程接 | 第27-29页 |
| ·Spark与Hadoop执行模型对比 | 第29-30页 |
| ·Web服务和Restful接 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第3章 基于Hadoop的AP聚类并行化方法设计与实现 | 第33-46页 |
| ·AP聚类的性能瓶颈 | 第33-34页 |
| ·MapReduce并行化基本方法 | 第34-37页 |
| ·并行化AP聚类设计思想 | 第37页 |
| ·并行化AP聚类实现问题 | 第37-38页 |
| ·基于MapReduce框架的并行AP聚类设计与实现 | 第38-41页 |
| ·相似度矩阵计算的MapReduce并行化 | 第38-39页 |
| ·吸引度和归属度矩阵计算的MapReduce并行化 | 第39-41页 |
| ·聚类中心计算的MapReduce并行化 | 第41页 |
| ·实验验证及结果分析 | 第41-45页 |
| ·实验环境 | 第41页 |
| ·实验数据集 | 第41-42页 |
| ·评价指标 | 第42页 |
| ·实验结果分析 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 基于Spark的AP聚类的并行化方法设计与实现 | 第46-54页 |
| ·传统MapReduce计算模式到Spark的转换 | 第46-48页 |
| ·Spark环境下并行AP聚类设计与实现 | 第48-50页 |
| ·Hadoop与Spark并行AP聚类实验性能比较 | 第50-52页 |
| ·实验环境及实验数据集 | 第50页 |
| ·实验结果及分析 | 第50-52页 |
| ·两种环境下并行方法的比较与分析 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第5章 基于云的聚类分析服务平台 | 第54-67页 |
| ·服务平台总体架构 | 第54-55页 |
| ·服务平台各层实现 | 第55-63页 |
| ·云计算底层支撑层 | 第55页 |
| ·算法引擎层 | 第55-56页 |
| ·数据挖掘服务引擎层 | 第56-61页 |
| ·聚类云服务SDK | 第61-63页 |
| ·服务平台测试 | 第63-66页 |
| ·Rest服务接.测试 | 第63-65页 |
| ·云聚类服务SDK测试 | 第65-66页 |
| ·本章小结 | 第66-67页 |
| 第6章 结论与展望 | 第67-69页 |
| ·结论 | 第67-68页 |
| ·工作展望 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 致谢 | 第72-73页 |
| 攻读学位期间参加的科研项目和成果 | 第73页 |
