| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究目的与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 国外研究现状 | 第11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 主要研究内容 | 第12页 |
| 1.4 论文结构 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 第二章 用户画像与风控模型的构建 | 第14-25页 |
| 2.1 用户画像技术研究 | 第14-16页 |
| 2.1.1 用户画像的定义 | 第14页 |
| 2.1.2 用户画像标签体系结构 | 第14-16页 |
| 2.1.3 用户画像建模方法 | 第16页 |
| 2.2 互联网金融分析 | 第16-18页 |
| 2.2.1 互联网金融数据特征 | 第16-17页 |
| 2.2.2 数据预处理 | 第17-18页 |
| 2.3 风控用户画像模型设计 | 第18-21页 |
| 2.3.1 用户画像建模 | 第19-20页 |
| 2.3.2 建立标签体系 | 第20-21页 |
| 2.4 Hadoop系统架构 | 第21-24页 |
| 2.4.1 MapReduce分布式计算框架 | 第21-23页 |
| 2.4.2 HDFS分布式文件系统 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 大数据风控用户画像模型中聚类算法的研究 | 第25-32页 |
| 3.1 用户画像中的聚类研究 | 第25-30页 |
| 3.1.1 K-Means聚类 | 第25-28页 |
| 3.1.2 DBSCAN聚类 | 第28-30页 |
| 3.2 聚类中相似度的计算 | 第30-31页 |
| 3.2.1 欧氏距离 | 第30页 |
| 3.2.2 马氏距离 | 第30页 |
| 3.2.3 余弦相似度 | 第30-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第四章 大数据平台下基于核密度的聚类算法研究 | 第32-42页 |
| 4.1 参数本地化策略 | 第32-36页 |
| 4.1.1 核密度估计 | 第32-36页 |
| 4.1.2 参数自适应 | 第36页 |
| 4.2 算法具体流程 | 第36-40页 |
| 4.2.1 数据分发 | 第36-37页 |
| 4.2.2 局部聚类 | 第37页 |
| 4.2.3 K-Means聚类合并 | 第37-40页 |
| 4.3 算法复杂度分析 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 分布式下基于核密度聚类的信用风控用户画像的研究与实验 | 第42-53页 |
| 5.1 环境搭建 | 第42-43页 |
| 5.1.1 主机设置 | 第42-43页 |
| 5.1.2 Hadoop节点配置 | 第43页 |
| 5.2 实验分析 | 第43-48页 |
| 5.3 风控用户画像生成 | 第48-50页 |
| 5.3.1 用户社交关系标签特征的生成 | 第49页 |
| 5.3.2 用户金融风控领域特征的生成 | 第49-50页 |
| 5.4 用户画像精准度分析 | 第50-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 论文总结 | 第53-54页 |
| 6.2 未来展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59页 |