海量數(shù)據(jù)的KNN文本分類算法的MapReduce實現(xiàn)研究.pdf_第1頁
已閱讀1頁，還剩84頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領(lǐng)

文檔簡介

1、隨著信息技術(shù)的發(fā)展，互聯(lián)網(wǎng)數(shù)據(jù)呈現(xiàn)指數(shù)級增長，為了有效的組織和管理這些海量數(shù)據(jù)，基于內(nèi)容的數(shù)據(jù)挖掘技術(shù)備受關(guān)注。作為一個理論完善、簡單實用的分類算法，K近鄰法常被用于文本的分類。但是，在處理海量數(shù)據(jù)時，極高的計算時間復雜度限制了KNN算法在海量數(shù)據(jù)分析任務中的應用。近年來，隨著Hadoop技術(shù)的成熟，為解決KNN算法在文本分類時的不足提供了技術(shù)支持。
　　本論文首先介紹了文本分類技術(shù)中數(shù)據(jù)預處理、特征提取、文件向量表示、分類算法，

2、以及Hadoop分布式文件系統(tǒng)（HDFS）和MapReduce的相關(guān)內(nèi)容；然后詳細的闡述了KNN算法的模型和特征，并提出了一個運用MapReduce編程模型和KNN算法來實現(xiàn)海量文本數(shù)據(jù)的分類方案；最后，采用Newsgroup-18828數(shù)據(jù)集，在Hadoop集群上實現(xiàn)了KNN算法的文本分類。
　　本文的貢獻在于深入研究了文本分類的關(guān)鍵技術(shù)和KNN算法的特征，實現(xiàn)了基于MapReduce編程模型的KNN算法的文本分類，通過在單機和

3、Hadoop集群上執(zhí)行KNN算法的文本分類程序，證實了在Hadoop集群上實現(xiàn)的KNN算法能夠處理海量文本數(shù)據(jù)，同時對影響作業(yè)性能的Map Task內(nèi)存緩沖區(qū)大小和單節(jié)點TaskTracker故障進行了分析和總結(jié)。本論文在5個節(jié)點上搭建Hadoop集群，設(shè)計和實施了4個實驗方案，分析實驗結(jié)果表明：
　　1）當作業(yè)的有效計算時間占總的運行時間比例較小時，小規(guī)模集群的優(yōu)勢顯示不出來；
　　2）在Hadoop集群上實現(xiàn)的KNN文本

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論