| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 论文的选题背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 多标记算法的研究现状 | 第10-12页 |
| 1.2.2 大数据发展现状 | 第12-14页 |
| 1.2.3 Hadoop平台应用现状 | 第14-16页 |
| 1.3 论文的主要工作及内容 | 第16-19页 |
| 第2章 多类标算法及HADOOP平台分析 | 第19-29页 |
| 2.1 典型多标记算法 | 第19-22页 |
| 2.1.1 BR算法 | 第19-20页 |
| 2.1.2 ML-KNN算法 | 第20页 |
| 2.1.3 RankSVM算法 | 第20-21页 |
| 2.1.4 LEAD算法 | 第21-22页 |
| 2.2 多标记评价指标 | 第22-25页 |
| 2.3 HADOOP平台分析 | 第25-28页 |
| 2.3.1 Hadoop平台概述 | 第25页 |
| 2.3.2 HDFS | 第25-26页 |
| 2.3.3 MapReduce | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于BR的多标记学习改进算法 | 第29-39页 |
| 3.1 BR算法分析 | 第29-32页 |
| 3.1.1 BR算法基分类器描述 | 第29-31页 |
| 3.1.2 BR算法描述 | 第31-32页 |
| 3.2 SBR多标记学习算法 | 第32-34页 |
| 3.2.1 SBR多标记学习算法原理 | 第32页 |
| 3.2.2 SBR多标记学习算法思想 | 第32-33页 |
| 3.2.3 SBR多标记学习算法的流程 | 第33-34页 |
| 3.3 实验结果及分析 | 第34-38页 |
| 3.3.1 实验测试数据的选取 | 第34-35页 |
| 3.3.2 实验结果及对比 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于MAPREDUCE的并行化随机SBR算法 | 第39-49页 |
| 4.1 随机森林 | 第39-40页 |
| 4.1.1 随机森林的概述 | 第39页 |
| 4.1.2 随机森林的算法分析 | 第39-40页 |
| 4.2 随机SBR算法 | 第40-42页 |
| 4.2.1 随机SBR算法基本理论思想 | 第40-41页 |
| 4.2.2 随机SBR算法的流程 | 第41-42页 |
| 4.3 基于MAPREDUCE的并行化随机SBR算法 | 第42-44页 |
| 4.3.1 并行化随机SBR算法基本思想 | 第42页 |
| 4.3.2 并行化随机SBR算法流程 | 第42-44页 |
| 4.4 并行化随机SBR算法的实验结果与分析 | 第44-48页 |
| 4.4.1 Hadoop平台搭建 | 第44-45页 |
| 4.4.2 实验数据描述和加速比 | 第45-46页 |
| 4.4.3 实验结果分析 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 结论 | 第49-51页 |
| 参考文献 | 第51-57页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第57-59页 |
| 致谢 | 第59页 |