| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-17页 |
| ·课题研究的背景及意义 | 第10-11页 |
| ·国内外相关的研究 | 第11-15页 |
| ·文本分类算法研究现状 | 第11-12页 |
| ·海量数据处理的研究现状 | 第12-15页 |
| ·本文的主要研究内容 | 第15页 |
| ·论文的组织 | 第15-17页 |
| 第二章 云计算和Hadoop 平台 | 第17-34页 |
| ·云计算 | 第17-23页 |
| ·云计算的概念和特点 | 第17-18页 |
| ·云计算的关键技术 | 第18-21页 |
| ·云计算架构与交付模式 | 第21-23页 |
| ·Hadoop 平台概述 | 第23-24页 |
| ·Hadoop 平台特点 | 第23页 |
| ·Hadoop 生态系统 | 第23-24页 |
| ·HDFS | 第24-29页 |
| ·HDFS 设计理念 | 第24-26页 |
| ·HDFS 结构组成 | 第26-28页 |
| ·HDFS 容错性 | 第28-29页 |
| ·MapReduce | 第29-33页 |
| ·MapReduce 设计原理 | 第29-31页 |
| ·MapReduce 作业流程 | 第31-33页 |
| ·MapReduce 容错性 | 第33页 |
| ·本章小结 | 第33-34页 |
| 第三章 文本分类原理与实现 | 第34-48页 |
| ·文本分类概述 | 第34-35页 |
| ·预处理 | 第35-38页 |
| ·中文分词算法 | 第35-37页 |
| ·中文分词的难题 | 第37页 |
| ·中文分词工具 | 第37-38页 |
| ·文本表示 | 第38-40页 |
| ·向量空间模型 | 第38-39页 |
| ·权重计算 | 第39-40页 |
| ·特征提取 | 第40-43页 |
| ·文档频率 | 第41页 |
| ·互信息 | 第41-42页 |
| ·信息增益 | 第42页 |
| ·卡方统计 | 第42-43页 |
| ·分类算法 | 第43-44页 |
| ·朴素贝叶斯 | 第43-44页 |
| ·K 近邻 | 第44页 |
| ·支持向量机 | 第44页 |
| ·评价指标 | 第44-45页 |
| ·单机文本分类系统的实现 | 第45-47页 |
| ·程序设计 | 第45-46页 |
| ·实验结果 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第四章 基于MapReduce 的并行化文本分类 | 第48-62页 |
| ·基本算法的设计和实现 | 第48-55页 |
| ·算法设计前的准备工作 | 第48-50页 |
| ·并行化分词 | 第50页 |
| ·TFIDF 的计算和词袋子的建立 | 第50-52页 |
| ·特征词提取 | 第52-53页 |
| ·建立向量空间模型 | 第53-54页 |
| ·KNN 分类 | 第54页 |
| ·评价指标的计算 | 第54-55页 |
| ·Hadoop 平台的搭建 | 第55-59页 |
| ·并行算法实验 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 第五章 基于近邻元分析的文本分类算法及其并行化研究 | 第62-75页 |
| ·近邻元分析距离测度学习算法 | 第62-65页 |
| ·距离测度学习算法 | 第62-63页 |
| ·近邻元分析算法 | 第63-65页 |
| ·近邻元分析分类算法 | 第65-68页 |
| ·原始NCA 分类算法 | 第66-67页 |
| ·K-NCA 分类算法 | 第67-68页 |
| ·算法流程 | 第68页 |
| ·实验仿真结果 | 第68-71页 |
| ·不同的K 值下各类算法性能 | 第69-70页 |
| ·不同的d 值对各类算法性能 | 第70页 |
| ·数据可视化 | 第70-71页 |
| ·NCA 系列算法的并行化研究 | 第71-74页 |
| ·NCA 距离测度学习算法的并行化 | 第72-73页 |
| ·K-NCA 分类算法的并行化 | 第73-74页 |
| ·本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| ·全文总结 | 第75页 |
| ·未来研究展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-82页 |
| 攻读硕士学位期间的主要学术成果 | 第82-84页 |