基于Spark的貝葉斯文本分類算法研究與實(shí)現(xiàn).pdf

1、互聯(lián)網(wǎng)和物聯(lián)網(wǎng)技術(shù)的快速發(fā)展推動了大數(shù)據(jù)時代的來臨。各種數(shù)據(jù)正以指數(shù)級的形式快速增長，如何快速有效地管理并利用這些數(shù)據(jù)成為當(dāng)今工業(yè)界和學(xué)術(shù)界研究的重點(diǎn)。大數(shù)據(jù)具有規(guī)模大、結(jié)構(gòu)不規(guī)則、種類豐富、維度高、噪聲數(shù)據(jù)多等一系列的特征。從這些數(shù)據(jù)中快速挖掘出有價值的信息需要強(qiáng)大的分析處理能力，傳統(tǒng)的串行處理無法滿足海量數(shù)據(jù)處理的時間需求。云計算的快速發(fā)展為大數(shù)據(jù)的分布式挖掘創(chuàng)造了有利條件。
　　Hadoop和Spark是當(dāng)前主流的分布式并行

2、計算框架，主要用作數(shù)據(jù)存儲和并行計算。其存儲系統(tǒng)主要為HDFS文件系統(tǒng)，HDFS具有高吞吐率以及高容錯性等一系列特征，這非常符合大數(shù)據(jù)挖掘的要求。本文采用Spark作為數(shù)據(jù)處理的平臺，因?yàn)镾park具有Hadoop MapReduce的優(yōu)點(diǎn)，同時Spark是基于內(nèi)存計算的框架，摒棄了Hadoop將中間結(jié)果存放在HDFS上導(dǎo)致后續(xù)任務(wù)反復(fù)讀寫磁盤而帶來巨大的I/O開銷，這對于迭代運(yùn)算比較常見的機(jī)器學(xué)習(xí)算法具有較大的效率優(yōu)勢。
　　本

3、文結(jié)合Spark平臺，研究了數(shù)據(jù)挖掘算法中的貝葉斯算法，并對其進(jìn)行了優(yōu)化，建立自己的分類模型，最后在Spark上進(jìn)行了并行實(shí)現(xiàn)。主要工作包括以下幾個方面:
　　(1)針對大數(shù)據(jù)的特點(diǎn)進(jìn)行一系列的預(yù)處理:傳統(tǒng)的貝葉斯算法在處理大數(shù)據(jù)時需要花費(fèi)大量的時間而且分類精確度不高。本文針對大數(shù)據(jù)一系列的特征建立了改進(jìn)后的分類模型INBCS，首先對原始的數(shù)據(jù)集進(jìn)行去除噪聲處理，然后運(yùn)用信息增益的方法對英文文本進(jìn)行降維，由于中文的語法結(jié)構(gòu)、語義表

4、達(dá)和組織形式不同于英文，而信息增益方法將一個單獨(dú)的詞作為特征項(xiàng)來測量其信息熵的多少以實(shí)現(xiàn)降維，所以此方法不太適用，我們選擇了TextRank方法來提取關(guān)鍵字和詞來達(dá)到降維的目的，最后對上述處理過的數(shù)據(jù)集進(jìn)行數(shù)據(jù)傾斜消除。
　　(2)對貝葉斯分類算法中特征項(xiàng)后驗(yàn)概率計算方法的改進(jìn):一般的樸素貝葉斯算法中特征項(xiàng)的后驗(yàn)概率只考慮了局部影響因素，即此類中該特征項(xiàng)個數(shù)占該類中所有特征項(xiàng)的比例;而沒有考慮到此類中的該特征項(xiàng)個數(shù)占整個數(shù)據(jù)集中所

5、有特征項(xiàng)的比例，此類中含有該特征項(xiàng)的文本數(shù)占整個數(shù)據(jù)集含有該特征項(xiàng)的文本總數(shù)的比例。本文引入綜合影響系數(shù)將局部因素和全局因素綜合考慮。
　　(3)對改進(jìn)的分類模型INBCS在Spark上進(jìn)行實(shí)現(xiàn)，本文實(shí)驗(yàn)環(huán)境采用Spark集群生產(chǎn)環(huán)境，將改進(jìn)的模型并行化，最后在Spark集群中測試其最佳綜合影響系數(shù)、分類精確度、召回率、F1值、時間性能和加速比。結(jié)果表明改進(jìn)后的模型比其它算法分類效果要好，且在Spark平臺上處理大數(shù)據(jù)時優(yōu)勢明顯。