| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.4 研究思路及主要工作 | 第15-16页 |
| 1.5 论文组织结构 | 第16-17页 |
| 第二章 相关技术综述 | 第17-25页 |
| 2.1 搜索引擎架构 | 第17-19页 |
| 2.1.1 搜集 | 第18页 |
| 2.1.2 预处理 | 第18页 |
| 2.1.3 查询服务 | 第18-19页 |
| 2.2 网页预处理及正文提取 | 第19-20页 |
| 2.2.1 网页预处理 | 第19页 |
| 2.2.2 网页正文内容提取 | 第19-20页 |
| 2.3 ETL流程 | 第20-21页 |
| 2.3.1 数据清洗 | 第20页 |
| 2.3.2 数据转换 | 第20-21页 |
| 2.3.3 数据加载 | 第21页 |
| 2.3.4 异常处理 | 第21页 |
| 2.4 主流文本去重技术 | 第21-24页 |
| 2.4.1 MD5算法 | 第21-22页 |
| 2.4.2 基于距离的去重方法 | 第22页 |
| 2.4.3 文本去重算法之TF-IDF算法 | 第22-23页 |
| 2.4.4 simhash算法 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 ETL设计、特征提取及GBDT训练模型 | 第25-43页 |
| 3.1 ETL设计 | 第25-30页 |
| 3.1.1 数据仓库 | 第25-26页 |
| 3.1.2 ETL的设计 | 第26-30页 |
| 3.2 题库特征提取 | 第30-34页 |
| 3.2.1 文本预处理 | 第30-31页 |
| 3.2.2 特征选择与特征提取 | 第31-34页 |
| 3.3 GBDT算法与模型训练 | 第34-41页 |
| 3.3.1 GBDT算法简介 | 第34-35页 |
| 3.3.2 GBDT算法原理 | 第35-37页 |
| 3.3.3 使用GBDT模型训练 | 第37-41页 |
| 3.4 去重整体流程图 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 hadoop并行计算相似度 | 第43-54页 |
| 4.1 hadoop相关知识 | 第43-46页 |
| 4.1.1 HDFS | 第43-44页 |
| 4.1.2 MapReduce | 第44-45页 |
| 4.1.3 Hadoop计算流程 | 第45-46页 |
| 4.2 hadoop streaming | 第46-48页 |
| 4.2.1 hadoop streaming实例 | 第46页 |
| 4.2.2 hadoop streaming注意事项 | 第46-47页 |
| 4.2.3 hadoop streaming优缺点 | 第47页 |
| 4.2.4 hadoop streaming流程图 | 第47-48页 |
| 4.3 hadoop计算题库文本相似度 | 第48-53页 |
| 4.3.1 hadoop文件读写 | 第48页 |
| 4.3.2 相似度计算 | 第48-52页 |
| 4.3.3 任务监控 | 第52页 |
| 4.3.4 优化 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 实验结果与分析 | 第54-59页 |
| 5.1 实验数据与环境 | 第54-57页 |
| 5.1.1 数据集 | 第54页 |
| 5.1.2 实验环境 | 第54-55页 |
| 5.1.3 实验结果数据 | 第55-57页 |
| 5.2 实验总体评测及结果分析 | 第57-58页 |
| 5.3 本章小结 | 第58-59页 |
| 结束语 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 作者在学期间取得的学术成果 | 第65页 |
