版權(quán)說(shuō)明:本文檔由用戶(hù)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、隨著互聯(lián)網(wǎng)前沿技術(shù)被廣泛普及與迅速發(fā)展,各企業(yè)和組織結(jié)構(gòu)內(nèi)部信息化程度逐步提高,各類(lèi)信息資源的數(shù)據(jù)量呈爆炸式增長(zhǎng)。信息檢索就是從海量的信息資源中獲得用戶(hù)所需要信息的技術(shù)。由于目前大多數(shù)企業(yè)、組織內(nèi)部所使用的站內(nèi)搜索引擎技術(shù)稍弱,或者單純依賴(lài)于數(shù)據(jù)庫(kù)SQL語(yǔ)句查詢(xún)等相對(duì)傳統(tǒng)一些的方式解決檢索需求,缺乏對(duì)于查詢(xún)內(nèi)容的相似性度量,使得用戶(hù)查詢(xún)體驗(yàn)不盡人意。因此,如何降低成本和高效存儲(chǔ)以檢索、分析海量半結(jié)構(gòu)化數(shù)據(jù)而索求價(jià)值成為了諸多企業(yè)實(shí)現(xiàn)數(shù)據(jù)
2、資產(chǎn)化以及規(guī)模化的一大挑戰(zhàn)。
傳統(tǒng)海量數(shù)據(jù)的處理方法存在數(shù)據(jù)存儲(chǔ)和管理成本較高、處理能力弱以及并行編程復(fù)雜等缺點(diǎn),使其應(yīng)用范圍受到很大限制,且對(duì)硬件設(shè)備要求極高。在分析現(xiàn)有分布式計(jì)算和存儲(chǔ)等關(guān)鍵技術(shù)基礎(chǔ)上,結(jié)合對(duì) Hadoop生態(tài)系統(tǒng)的研究和實(shí)際軟硬件條件,為滿(mǎn)足海量問(wèn)題單(Problem Report)的相似性檢索需求,提出了分布式海量問(wèn)題數(shù)據(jù)的相似性檢索模型,以下為本文所作的研究:
首先,針對(duì)本文半結(jié)構(gòu)化的異構(gòu)數(shù)
3、據(jù)集(海量問(wèn)題單)設(shè)計(jì)并行化解析算法。利用Hadoop在處理海量數(shù)據(jù)方面的優(yōu)勢(shì),將原始數(shù)據(jù)文件存儲(chǔ)于HDFS中;通過(guò)對(duì)現(xiàn)有半結(jié)構(gòu)化 XML文件解析方法的研究,分析并總結(jié)各自的優(yōu)勢(shì)與不足,自定義數(shù)據(jù)文件在HDFS上的邏輯分片方式,并結(jié)合MapReduce編程框架和自適應(yīng)元素映射算法實(shí)現(xiàn)數(shù)據(jù)的并行化解析;為了合理的數(shù)據(jù)組織和避免二次解析,將解析的數(shù)據(jù)存儲(chǔ)到 Hadoop HBase數(shù)據(jù)庫(kù)中。
接著,構(gòu)建海量問(wèn)題數(shù)據(jù)的相似性檢索的索
4、引庫(kù)。結(jié)合查詢(xún)的實(shí)際需求以及數(shù)據(jù)特點(diǎn),通過(guò)相應(yīng)域權(quán)重參數(shù)調(diào)整使用Lucene完成和優(yōu)化索引庫(kù)的構(gòu)建。在查詢(xún)階段,由用戶(hù)來(lái)設(shè)置單個(gè)問(wèn)題單某元素的側(cè)重程度參數(shù)來(lái)影響相似問(wèn)題單檢索結(jié)果的結(jié)合排序,在一定程度上提高查準(zhǔn)率。
最后,實(shí)現(xiàn)對(duì)檢索結(jié)果的聚類(lèi)分析。通過(guò)對(duì)多個(gè)聚類(lèi)算法的分析和實(shí)踐,結(jié)合模型的實(shí)效性需求,本文選取后綴樹(shù)(STC)聚類(lèi)算法來(lái)輔助用戶(hù)篩選查閱結(jié)果結(jié)合。針對(duì)STC聚類(lèi)后的主題選取對(duì)類(lèi)簇的描述性不足這一問(wèn)題,優(yōu)化主題選取。
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)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(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 海量分布式日志檢索技術(shù)的研究.pdf
- 分布式海量數(shù)據(jù)存儲(chǔ)檢索系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).pdf
- 海量非結(jié)構(gòu)化數(shù)據(jù)分布式分析與檢索.pdf
- 海量RDF數(shù)據(jù)的分布式存儲(chǔ)研究.pdf
- 海量視頻的分布式協(xié)作處理與檢索研究.pdf
- 基于模型相似性的CAD部件檢索方法研究.pdf
- 海量無(wú)線電監(jiān)測(cè)數(shù)據(jù)的分布式存儲(chǔ)及檢索技術(shù)研究.pdf
- 海量無(wú)線電監(jiān)測(cè)數(shù)據(jù)的分布式存儲(chǔ)及檢索技術(shù)研究
- 基于相似性的分布式文件系統(tǒng)在線去重方法研究.pdf
- 基于Hadoop的海量視頻的分布式存儲(chǔ)與檢索研究.pdf
- 基于相似性的分布式文件系統(tǒng)在線去重方法研究
- 海量文本數(shù)據(jù)的分布式搜索技術(shù)的研究.pdf
- 海量數(shù)據(jù)分布式存儲(chǔ)與安全保護(hù)研究.pdf
- 空間場(chǎng)景相似性檢索.pdf
- 基于局部相似性的運(yùn)動(dòng)捕捉數(shù)據(jù)檢索.pdf
- 分布式環(huán)境下海量圖數(shù)據(jù)的可達(dá)性查詢(xún)研究.pdf
- 基于Hadoop的海量視頻數(shù)據(jù)分布式處理研究.pdf
- 分布式海量數(shù)據(jù)并行傳輸?shù)难芯颗c實(shí)現(xiàn).pdf
- 分布式環(huán)境下基于文本的海量數(shù)據(jù)挖掘.pdf
- 基于哈希函數(shù)的相似性檢索研究.pdf
評(píng)論
0/150
提交評(píng)論