| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外发展现状 | 第9-10页 |
| 1.3 论文主要工作及结构安排 | 第10-12页 |
| 第2章 Hadoop平台及其相关内容介绍 | 第12-22页 |
| 2.1 Hadoop平台概述 | 第12-13页 |
| 2.1.1 Hadoop的由来与发展历程 | 第12-13页 |
| 2.1.2 Hadoop平台的特点与优势 | 第13页 |
| 2.2 分布式文件系统HDFS | 第13-17页 |
| 2.2.1 HDFS的基本内容 | 第13-14页 |
| 2.2.2 HDFS的结构及其工作原理 | 第14-15页 |
| 2.2.3 HDFS的局限性 | 第15-17页 |
| 2.3 MapReduce并行化计算模型 | 第17-20页 |
| 2.3.1 MapReduce的概念 | 第17页 |
| 2.3.2 MapReduce执行流程 | 第17-19页 |
| 2.3.3 MapReduce容错 | 第19-20页 |
| 2.4 本章小结 | 第20-22页 |
| 第3章 聚类算法理论研究 | 第22-28页 |
| 3.1 聚类算法概述 | 第22页 |
| 3.2 常见的聚类算法 | 第22-25页 |
| 3.2.1 划分聚类方法 | 第23页 |
| 3.2.2 层次聚类方法 | 第23-24页 |
| 3.2.3 密度聚类方法 | 第24-25页 |
| 3.3 聚类算法性能评价 | 第25-27页 |
| 3.3.1 数据集和采用的具体方法 | 第25-26页 |
| 3.3.2 评价指标 | 第26-27页 |
| 3.4 本章小节 | 第27-28页 |
| 第4章 改进K-means聚类算法改进及并行化实现 | 第28-48页 |
| 4.1 传统K-means聚类算法简介 | 第28-30页 |
| 4.2 K-means聚类算法的改进 | 第30-33页 |
| 4.2.1 颜色空间选择 | 第30-32页 |
| 4.2.2 基于密度的初始点选取方法 | 第32-33页 |
| 4.3 基于密度的聚类结果优化方法 | 第33-34页 |
| 4.4 改进的K-means聚类算法并行化实现 | 第34-39页 |
| 4.4.1 算法并行化实现分析 | 第34页 |
| 4.4.2 MapReduce实现过程 | 第34-39页 |
| 4.5 改进的算法性能评估 | 第39-45页 |
| 4.5.1 实验背景 | 第39-40页 |
| 4.5.2 实验结果分析 | 第40-45页 |
| 4.6 本章小结 | 第45-48页 |
| 第5章 带有海报颜色信息的个性化推荐算法的设计与实现 | 第48-56页 |
| 5.1 个性化推荐技术支持 | 第48-49页 |
| 5.2 推荐实验流程 | 第49-51页 |
| 5.2.1 项目-项目矩阵的建立 | 第49-50页 |
| 5.2.2 相似度计算与性能评价指标 | 第50-51页 |
| 5.3 实验结果分析 | 第51-53页 |
| 5.4 本章小结 | 第53-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 发表论文和参加科研情况说明 | 第62-64页 |
| 致谢 | 第64页 |