| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11-14页 |
| 1.1.1 同源性分析研究背景与意义 | 第11-12页 |
| 1.1.2 视频社交网络同源性分析的研究背景与意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.3 论文主要研究内容 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-18页 |
| 第二章 基础知识 | 第18-30页 |
| 2.1 同源性分析技术 | 第18-23页 |
| 2.1.1 基于成对匹配的同源性分析方法 | 第18-21页 |
| 2.1.2 基于关系的同源性分析 | 第21-22页 |
| 2.1.3 海量数据下的同源分析方法 | 第22-23页 |
| 2.2 视频获取技术 | 第23-26页 |
| 2.2.1 分布式爬虫技术 | 第23-26页 |
| 2.3 Spark计算框架 | 第26-29页 |
| 2.3.1 Spark框架 | 第26-27页 |
| 2.3.2 基于Spark的矩阵运算 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 视频社交网络中用户同源性分析方法 | 第30-47页 |
| 3.1 视频社交网络下的同源性分析模型 | 第30-31页 |
| 3.2 视频社交网络关系图建模与分析 | 第31-35页 |
| 3.2.1 用户关系子图建模 | 第32-33页 |
| 3.2.2 视频发布子图建模 | 第33-34页 |
| 3.2.3 视频信息子图建模 | 第34-35页 |
| 3.3 基于图结构的分布式视频相似性预处理 | 第35-42页 |
| 3.3.1 基于加权SimRank的视频相似性分析算法 | 第36-39页 |
| 3.3.2 基于Spark的分布式视频相似性分析算法优化 | 第39-41页 |
| 3.3.3 基于blocking技术的效率优化 | 第41-42页 |
| 3.4 基于视频权重的用户相似度计算 | 第42-44页 |
| 3.4.1 用户视频权重分配 | 第42-43页 |
| 3.4.2 基于时间戳的视频相似性惩罚 | 第43页 |
| 3.4.3 用户相似度计算 | 第43-44页 |
| 3.5 基于用户关系的结果剪枝 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 数据的获取与分析 | 第47-63页 |
| 4.1 视频网站的选择与相关API | 第47-50页 |
| 4.2 基于分布式爬虫的视频下载系统实现 | 第50-57页 |
| 4.2.1 系统整体架构 | 第50-51页 |
| 4.2.2 视频搜索模块 | 第51-52页 |
| 4.2.3 视频解析模块 | 第52-53页 |
| 4.2.4 视频下载模块 | 第53-54页 |
| 4.2.5 可视化模块 | 第54-55页 |
| 4.2.6 系统概览 | 第55-57页 |
| 4.3 数据分析 | 第57-62页 |
| 4.3.1 视频数据分析 | 第58-60页 |
| 4.3.2 用户数据分析 | 第60-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 实验及结果分析 | 第63-72页 |
| 5.1 实验环境 | 第63页 |
| 5.2 评估方法 | 第63-64页 |
| 5.3 实验数据集 | 第64页 |
| 5.3.1 训练数据集 | 第64页 |
| 5.3.2 测试数据集 | 第64页 |
| 5.4 同源性分析实验 | 第64-70页 |
| 5.4.1 阈值设置 | 第65页 |
| 5.4.2 分布式实现对同源性分析的影响 | 第65-66页 |
| 5.4.3 视频权重与时间戳惩罚对同源性分析的影响 | 第66-67页 |
| 5.4.4 结果剪枝对同源性分析分析的影响 | 第67-68页 |
| 5.4.5 算法性能分析 | 第68-70页 |
| 5.4.6 海量数据下算法的准确性 | 第70页 |
| 5.5 本章小结 | 第70-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 工作总结 | 第72-73页 |
| 6.2 未来展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 攻读硕士学位期间取得的成果 | 第78页 |
