| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 课题研究意义与现状 | 第10-14页 |
| 1.2.1 微博平台中用户影响力的评价 | 第10-12页 |
| 1.2.2 用户体验质量的评测 | 第12-14页 |
| 1.3 本文主要内容和组织结构 | 第14-16页 |
| 第二章 数据挖掘与hadoop简介 | 第16-26页 |
| 2.1 数据挖掘简介 | 第16-19页 |
| 2.1.1 数据挖掘的基本任务 | 第16-17页 |
| 2.1.2 数据挖掘的主要算法 | 第17-19页 |
| 2.1.3 数据挖掘的主要难题 | 第19页 |
| 2.2 hadoop简介 | 第19-25页 |
| 2.2.1 HDFS分布式文件系统 | 第20-22页 |
| 2.2.2 MapReduce分布式编程模型 | 第22-24页 |
| 2.2.3 hadoop集群的搭建 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 微博用户影响力评价研究 | 第26-37页 |
| 3.1 PageRank算法和TURank算法介绍 | 第26-29页 |
| 3.1.1 PageRank算法 | 第26-28页 |
| 3.1.2 TURank算法 | 第28-29页 |
| 3.2 MURank算法 | 第29-32页 |
| 3.2.1 MURank算法的基本思想 | 第29-30页 |
| 3.2.2 MURank的用户-微博模式图 | 第30-31页 |
| 3.2.3 MURank的计算方法 | 第31-32页 |
| 3.3 MURank算法的实验对比 | 第32-35页 |
| 3.3.1 与PageRank算法的比较 | 第32-34页 |
| 3.3.2 与TURank算法的比较 | 第34-35页 |
| 3.4 本章小结 | 第35-37页 |
| 第四章 改进的用户影响力评价算法在hadoop上的实现 | 第37-43页 |
| 4.1 MURank算法的MapReduce化 | 第37-39页 |
| 4.1.1 计算模型设置 | 第37-38页 |
| 4.1.2 MURank算法的MapReduce分解 | 第38-39页 |
| 4.2 hadoop平台上的实验 | 第39-42页 |
| 4.2.1 收敛性试验 | 第39-40页 |
| 4.2.2 正确性实验 | 第40-41页 |
| 4.2.3 有效性实验 | 第41-42页 |
| 4.3 本章小结 | 第42-43页 |
| 第五章 用户体验质量的评价预测研究 | 第43-63页 |
| 5.1 QoE和QoS的区别和联系 | 第43-44页 |
| 5.2 QoE评价层次指标体系 | 第44-50页 |
| 5.2.1 层次指标模型 | 第45-46页 |
| 5.2.2 各层指标的定义方法与关联关系 | 第46-50页 |
| 5.3 QoE评价方法 | 第50-57页 |
| 5.3.1 当前主要的QoE评价方法 | 第50-51页 |
| 5.3.2 BP神经网络算法 | 第51-56页 |
| 5.3.3 BP神经网络算法在QoE评价中的应用 | 第56-57页 |
| 5.4 移动视频业务QoE评价举例 | 第57-62页 |
| 5.4.1 层次指标体系的建立 | 第57-60页 |
| 5.4.2 BP神经网络算法的训练 | 第60-61页 |
| 5.4.3 使用BP神经网络进行QoE的评价 | 第61-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第六章 BP神经网络算法在hadoop上的实现 | 第63-70页 |
| 6.1 BP神经网络的MapReduce化 | 第63-66页 |
| 6.1.1 计算模型设置 | 第63-64页 |
| 6.1.2 BP神经网络算法的MapReduce分解 | 第64-66页 |
| 6.2 hadoop平台上的实验 | 第66-69页 |
| 6.2.1 收敛性实验 | 第66-67页 |
| 6.2.2 正确性实验 | 第67-68页 |
| 6.2.3 有效性实验 | 第68-69页 |
| 6.3 本章小结 | 第69-70页 |
| 第七章 总结与展望 | 第70-72页 |
| 7.1 本文总结 | 第70页 |
| 7.2 进一步研究展望 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 致谢 | 第77-78页 |
| 攻读学位期间发表的学术论文 | 第78页 |
