基于Hadoop的短文本聚類算法的研究與應用.pdf_第1頁
已閱讀1頁,還剩76頁未讀, 繼續(xù)免費閱讀

下載本文檔

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

文檔簡介

1、自從互聯(lián)網開始普及,人們就身處在一個信息爆炸的時代,人們對待生活、工作的思維方式開始逐漸在改變。在Web2.0的UGC(User Generated Content)時代,社交網絡平臺作為互聯(lián)網發(fā)展的一個重要分支,成為了人們很重要的溝通、交流和營銷的公開平臺。社交網絡平臺上每天產生的數據是海量的,如何運用好這些數據寶藏,成為了一個熱門的研究課題。
  在數據分析方面,傳統(tǒng)的統(tǒng)計抽樣方法在面臨海量的快速增長的數據時顯得過時和力不從心

2、,利用全體數據而不是部分抽樣的數據成為了新的研究方法。為了達成該目的,僅依靠硬件的更新提速來提高機器的運算能力是無法完成的。因此,如何巧妙地運用云計算等彈性計算架構成為了人們關注的問題。社交網站作為UGC時代的支柱領域,每天都有海量的數據產生,如果能運用好這些數據,將是一筆巨大的財富。
  論文以目前新浪微博平臺為研究對象,針對其在文本聚類和話題文本推薦上的不足,研究了文本聚類算法和分布式技術,改進了聚類算法和相似度計算公式,實現(xiàn)

3、一個基于分布式的短文本聚類,并將聚類的結果根據用戶的輸入進行文本推薦的應用。論文的主要工作如下:
  首先,研究Hadoop平臺下的HDFS、MapRedue和HBase三大基于Google核心技術實現(xiàn)的開源項目。包括Hadoop平臺的優(yōu)點、HDFS的讀寫流程、MapReduce的編程模型和HBase的結構。
  其次,闡述利用網頁爬蟲與微博API兩種不同的微博數據抓取方式的原理并對比其優(yōu)缺點,數據的預處理方法以及根據特征權

4、重表示為向量空間模型的方法,介紹了相似度計算方法及其改進、K-means聚類算法和Single-Pass聚類算法的原理以及聚類算法選擇,并對Single-Pass算法進行改進,設計了一個測試實驗驗證改進后的聚類算法和相似度計算方法的改進效果。
  最后,在Hadoop平臺下,使用改進后的Single-Pass聚類算法和相似度計算方法,對抓取的海量微博文本進行分布式聚類,并對用戶輸入的微博文本進行相似的微博推薦。
  實驗表明

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。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,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