| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第15-20页 |
| 1.1 研究背景和意义 | 第15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 本文的研究内容和主要工作 | 第17-18页 |
| 1.4 本文的组织结构 | 第18-20页 |
| 第二章 相关背景知识 | 第20-44页 |
| 2.1 LTR(LEARNING TO RANK)概述 | 第20-25页 |
| 2.1.1 引言 | 第20页 |
| 2.1.2 Learning to Rank的基本流程 | 第20-22页 |
| 2.1.3 Learning to Rank的三种基本方法 | 第22-23页 |
| 2.1.4 Learning to Rank的评价指标 | 第23-25页 |
| 2.2 GBRT(GRADIENT BOOSTING REGRESSION TREE)概述 | 第25-34页 |
| 2.2.1 引言 | 第25页 |
| 2.2.2 集成学习(Ensemble Learning)方法概述 | 第25-27页 |
| 2.2.3 Gradient Boosting框架 | 第27-30页 |
| 2.2.4 树模型概述 | 第30-32页 |
| 2.2.5 GBRT整体训练流程 | 第32-34页 |
| 2.3 密度估计 | 第34-37页 |
| 2.3.1 密度估计简介 | 第34-35页 |
| 2.3.2 核密度估计方法 | 第35-37页 |
| 2.4 大数据计算技术和平台 | 第37-43页 |
| 2.4.1 大数据计算平台概述 | 第37-38页 |
| 2.4.2 Spark技术简介 | 第38-43页 |
| 2.5 本章小结 | 第43-44页 |
| 第三章 GBRT算法改进及其并行化 | 第44-58页 |
| 3.1 引言 | 第44页 |
| 3.2 GBRT算法并行化难点 | 第44页 |
| 3.3 基于K-MEANS直方图的优化方案 | 第44-55页 |
| 3.3.1 优化思路概述 | 第44-45页 |
| 3.3.2 决策树构建过程再探讨 | 第45-46页 |
| 3.3.3 K-Means直方图构建 | 第46-50页 |
| 3.3.4 候选分裂点构造 | 第50-51页 |
| 3.3.5 利用核函数密度估计方法 | 第51-54页 |
| 3.3.6 带宽选择 | 第54-55页 |
| 3.4 优化后回归树训练过程描述 | 第55-57页 |
| 3.5 本章小结 | 第57-58页 |
| 第四章 基于MPI和SPARK的并行化算法设计与实现 | 第58-83页 |
| 4.1 引言 | 第58页 |
| 4.2 基于MPI的并行化方案 | 第58-64页 |
| 4.2.1 概述 | 第58-59页 |
| 4.2.2 Master端工作流程 | 第59-61页 |
| 4.2.3 Slave端工作流程 | 第61-62页 |
| 4.2.4 复杂度分析 | 第62-64页 |
| 4.3 实验设计及结果分析 | 第64-74页 |
| 4.3.1 实验环境及数据 | 第64-65页 |
| 4.3.2 桶个数对精度的影响 | 第65-67页 |
| 4.3.3 精度对比 | 第67-68页 |
| 4.3.4 可扩展性性能评估 | 第68-71页 |
| 4.3.5 真实应用数据效果评估 | 第71-74页 |
| 4.4 基于SPARK平台的并行化方案 | 第74-79页 |
| 4.4.1 概述 | 第74页 |
| 4.4.2 并行化方案设计 | 第74-79页 |
| 4.5 实验设计及结果分析 | 第79-82页 |
| 4.5.1 实验环境及数据 | 第79-80页 |
| 4.5.2 可扩展性测试 | 第80页 |
| 4.5.3 计算核心可扩展性测试 | 第80-81页 |
| 4.5.4 数据可扩展性测试 | 第81-82页 |
| 4.6 本章小结 | 第82-83页 |
| 第五章 总结与展望 | 第83-85页 |
| 5.1 本文小结 | 第83页 |
| 5.2 下一步工作 | 第83-85页 |
| 参考文献 | 第85-89页 |
| 致谢 | 第89-90页 |
| 附录 研究生期间论文发表 | 第90-91页 |
