| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 近邻传播算法现状 | 第12-13页 |
| 1.2.2 K-means算法现状 | 第13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文结构安排 | 第14-16页 |
| 第二章 相关文献综述 | 第16-33页 |
| 2.1 引言 | 第16-17页 |
| 2.2 Hadoop核心技术及生态系统 | 第17-19页 |
| 2.2.1 Hadoop核心技术 | 第17-19页 |
| 2.2.2 Hadoop生态系统 | 第19页 |
| 2.3 Spark核心技术及生态系统 | 第19-22页 |
| 2.3.1 Spark核心技术 | 第19-21页 |
| 2.3.2 Spark生态系统 | 第21-22页 |
| 2.4 Hadoop特性分析 | 第22-23页 |
| 2.4.1 Hadoop技术优势 | 第22页 |
| 2.4.2 Hadoop技术劣势 | 第22-23页 |
| 2.5 Spark特性分析 | 第23-24页 |
| 2.5.1 Spark技术优势 | 第23页 |
| 2.5.2 Spark技术劣势 | 第23-24页 |
| 2.6 Hadoop应用场景 | 第24-26页 |
| 2.6.1 ETL过程场景 | 第24页 |
| 2.6.2 日志处理场景 | 第24-25页 |
| 2.6.3 数据挖掘与统计机器学习应用场景 | 第25页 |
| 2.6.4 数据采集与处理场景 | 第25-26页 |
| 2.7 Spark应用场景 | 第26-29页 |
| 2.7.1 流数据处理场景 | 第26页 |
| 2.7.2 多轮迭代问题 | 第26-27页 |
| 2.7.3 快速查询与实时推荐场景 | 第27-28页 |
| 2.7.4 图计算应用场景 | 第28页 |
| 2.7.5 应用场景总结 | 第28-29页 |
| 2.8 近邻传播算法 | 第29-31页 |
| 2.9 K-means算法 | 第31-32页 |
| 2.10 本章小结 | 第32-33页 |
| 第三章 一种基于MapReduce的半监督近邻传播算法 | 第33-46页 |
| 3.1 算法基础 | 第33-35页 |
| 3.1.1 聚类有效性评价指标In-GroupProportion | 第33-34页 |
| 3.1.2 一种定义-决策系数(dcf) | 第34页 |
| 3.1.3 基于IGP调整的半监督AP算法 | 第34-35页 |
| 3.2 MR-SAP算法 | 第35-37页 |
| 3.3 实验过程及结果分析 | 第37-41页 |
| 3.3.1 实验环境 | 第38-39页 |
| 3.3.2 结果分析 | 第39-41页 |
| 3.4 MR-SAP算法在民航超限事件中的应用 | 第41-45页 |
| 3.4.1 民航超限事件 | 第42-43页 |
| 3.4.2 MR-SAP算法在民航超限事件中的应用 | 第43-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 基于近邻传播算法优化的并行K-means算法 | 第46-55页 |
| 4.1 MRAP-Kmeans算法 | 第46-50页 |
| 4.1.1 MRAP-Kmeans算法基础 | 第46-47页 |
| 4.1.2 MRAP-Kmeans算法 | 第47-50页 |
| 4.2 实验过程及结果分析 | 第50-54页 |
| 4.2.1 实验环境 | 第50页 |
| 4.2.2 实验数据集及实验过程说明 | 第50-51页 |
| 4.2.3 结果分析 | 第51-54页 |
| 4.3 本章小结 | 第54-55页 |
| 第五章 基于Spark平台的分布式近邻传播算法 | 第55-60页 |
| 5.1 SPAP算法 | 第55-57页 |
| 5.2 实验过程及结果分析 | 第57-59页 |
| 5.2.1 实验环境 | 第57页 |
| 5.2.2 实验数据集 | 第57页 |
| 5.2.3 结果分析 | 第57-59页 |
| 5.3 本章小节 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 本文主要工作及特色 | 第60-61页 |
| 6.2 下一步研究方向 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-69页 |
| 作者简介 | 第69页 |
