金融大数据分析服务的模型及应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究现状与存在的问题 | 第11-13页 |
| 1.2.1 研究现状 | 第11-13页 |
| 1.2.2 存在的问题 | 第13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 本文创新点 | 第14-15页 |
| 1.5 论文组织结构 | 第15-16页 |
| 第二章 金融大数据分析服务模型 | 第16-28页 |
| 2.1 分析即服务概述 | 第16-19页 |
| 2.1.1 大数据分析 | 第16-18页 |
| 2.1.2 大数据分析服务 | 第18-19页 |
| 2.2 服务模型 | 第19-21页 |
| 2.3 处理流程分析 | 第21-23页 |
| 2.4 系统架构 | 第23-25页 |
| 2.5 关键技术分析 | 第25-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 基于多视角学习的分析服务组合 | 第28-42页 |
| 3.1 多视角学习理论概述 | 第28-29页 |
| 3.2 多视角学习方法 | 第29-34页 |
| 3.2.1 CCA | 第29-31页 |
| 3.2.2 LDA | 第31-32页 |
| 3.2.3 MvLDA | 第32-34页 |
| 3.3 与单视角学习方法的区别 | 第34-37页 |
| 3.3.1 概念区别 | 第34页 |
| 3.3.2 处理策略区别 | 第34-35页 |
| 3.3.3 算法流程区别 | 第35-37页 |
| 3.4 金融领域实验对比 | 第37-40页 |
| 3.4.1 服务场景分析 | 第37页 |
| 3.4.2 结果对比分析 | 第37-39页 |
| 3.4.3 时间复杂度分析 | 第39-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 异构分布式环境的任务调度技术 | 第42-56页 |
| 4.1 异构分布式计算环境 | 第42-43页 |
| 4.2 任务调度模型 | 第43-45页 |
| 4.3 任务调度算法 | 第45-52页 |
| 4.3.1 H2EFT算法 | 第45-48页 |
| 4.3.2 HGAS算法 | 第48-51页 |
| 4.3.3 算法实例分析 | 第51-52页 |
| 4.4 算法实验对比 | 第52-54页 |
| 4.4.1 H3GS算法性能分析 | 第52-53页 |
| 4.4.2 H3GS算法实验结果 | 第53-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第五章 金融大数据分析服务的应用实现 | 第56-72页 |
| 5.1 系统开发环境及工具 | 第56-57页 |
| 5.2 系统功能介绍 | 第57-59页 |
| 5.3 系统类图及用例的设计 | 第59-62页 |
| 5.3.1 用例图 | 第59-62页 |
| 5.3.2 类图 | 第62页 |
| 5.4 主要模块实现 | 第62-70页 |
| 5.4.1 基础服务模块的实现 | 第62-67页 |
| 5.4.2 分析计算模块的实现 | 第67-68页 |
| 5.4.3 任务调度模块的实现 | 第68-69页 |
| 5.4.4 可视化分析模块的实现 | 第69-70页 |
| 5.5 本章小结 | 第70-72页 |
| 总结与展望 | 第72页 |
| 本文工作总结 | 第72-73页 |
| 进一步工作展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间取得的学术成果 | 第78-80页 |
| 致谢 | 第80页 |
