| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 第2章 基于Spark的支持向量机 | 第15-29页 |
| 2.1 Spark | 第15-20页 |
| 2.1.1 Spark生态系统 | 第15-17页 |
| 2.1.2 弹性分布式数据集 | 第17-18页 |
| 2.1.3 Spark作业调度 | 第18-20页 |
| 2.2 支持向量机 | 第20-24页 |
| 2.2.1 线性支持向量机 | 第20-23页 |
| 2.2.2 非线性支持向量机 | 第23-24页 |
| 2.3 支持向量机的并行优化算法 | 第24-26页 |
| 2.3.1 序列最小最优化算法 | 第24-25页 |
| 2.3.2 梯度下降算法 | 第25-26页 |
| 2.4 基于统计学习的文本分类 | 第26-27页 |
| 2.5 问题提出 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 基于Spark的支持向量机优化 | 第29-46页 |
| 3.1 支持向量机-随机梯度下降算法 | 第29-32页 |
| 3.2 模拟退火-随机梯度下降算法 | 第32-34页 |
| 3.3 支持向量机-模拟退火随机梯度下降算法 | 第34-35页 |
| 3.4 核化 | 第35-36页 |
| 3.5 Spark分布式集群环境搭建 | 第36-38页 |
| 3.6 实验 | 第38-45页 |
| 3.6.1 实验样本数据 | 第39页 |
| 3.6.2 模型评估准则 | 第39-40页 |
| 3.6.3 算法参数设置 | 第40页 |
| 3.6.4 SVMWithSASGD算法性能分析 | 第40-45页 |
| 3.7 本章小结 | 第45-46页 |
| 第4章 将改进的支持向量机应用于文本分类 | 第46-69页 |
| 4.1 文本分类过程 | 第46-50页 |
| 4.1.1 文本预处理 | 第47页 |
| 4.1.2 特征选择与提取 | 第47-48页 |
| 4.1.3 文本表示 | 第48-50页 |
| 4.2 基于SVMWithSASGD算法的文本分类框架设计 | 第50-51页 |
| 4.3 基于Spark的文本处理 | 第51-53页 |
| 4.3.1 文本预处理 | 第51-52页 |
| 4.3.2 特征选择与提取 | 第52-53页 |
| 4.3.3 文本表示 | 第53页 |
| 4.4 基于Spark的SVMWithSASGD算法模块实现 | 第53-58页 |
| 4.4.1 模块设计 | 第54页 |
| 4.4.2 模块输入 | 第54-55页 |
| 4.4.3 模块输出 | 第55页 |
| 4.4.4 详细设计 | 第55-58页 |
| 4.5 基于SVMWithSASGD算法的文本多类分类 | 第58-60页 |
| 4.6 系统测试 | 第60-68页 |
| 4.6.1 数据集的获取 | 第60-61页 |
| 4.6.2 实验环境及工具 | 第61页 |
| 4.6.3 实验结果分析 | 第61-68页 |
| 4.7 本章小结 | 第68-69页 |
| 第5章 总结与展望 | 第69-71页 |
| 5.1 总结 | 第69-70页 |
| 5.2 展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-74页 |
