基于Hadoop大規(guī)模中文網(wǎng)站聚類(lèi)的設(shè)計(jì)與實(shí)現(xiàn).pdf

1、文本聚類(lèi)分析是數(shù)據(jù)挖掘范疇內(nèi)的一項(xiàng)重要研究，在統(tǒng)計(jì)學(xué)、金融、生物、醫(yī)學(xué)、信息檢索及文檔分類(lèi)等業(yè)內(nèi)都已普及，同時(shí)比較熱門(mén)的還有網(wǎng)站導(dǎo)航欄、論文相似性檢測(cè)及用戶推薦等應(yīng)用。
　　隨著網(wǎng)絡(luò)的快速普及，各種中文網(wǎng)站的數(shù)量都呈現(xiàn)了巨大的增長(zhǎng)，人們從網(wǎng)頁(yè)上獲取的數(shù)據(jù)信息量也越來(lái)越多。由于不同的人有不同的需要和標(biāo)準(zhǔn)，導(dǎo)致了數(shù)據(jù)的多樣性和質(zhì)量要求。那么，怎樣快速且高效率的從網(wǎng)頁(yè)上挖掘出我們所需的信息已成現(xiàn)階段的一個(gè)巨大挑戰(zhàn)。對(duì)文本聚類(lèi)的研究應(yīng)用為

2、此提供了一個(gè)很好的解決途徑。也正是由于數(shù)據(jù)具有海量、多樣性等特征，使得傳統(tǒng)的聚類(lèi)分析在對(duì)文本進(jìn)行聚類(lèi)處理的時(shí)候往往在時(shí)間空間上達(dá)不到理想的效果。隨著云計(jì)算的興起，采用分布式并行框架進(jìn)行聚類(lèi)處理，已被越來(lái)越多的學(xué)者研究應(yīng)用。
　　Hadoop是由Apache基金會(huì)開(kāi)發(fā)的一個(gè)分布式系統(tǒng)基礎(chǔ)架構(gòu)，它有兩個(gè)核心的框架設(shè)計(jì):HDFS和MapReduce。HDFS框架主要承擔(dān)著為海量的數(shù)據(jù)提供存儲(chǔ)的任務(wù)，而框架MapReduce的任務(wù)就是計(jì)算

3、，且這種對(duì)海量數(shù)據(jù)的計(jì)算是并行的。本文正是基于Hadoop平臺(tái)上設(shè)計(jì)的對(duì)中文網(wǎng)站進(jìn)行聚類(lèi)分析的系統(tǒng)，下面是本文的主要研究工作。
　　1.對(duì)經(jīng)常使用的經(jīng)典聚類(lèi)算法思想及相關(guān)理論知識(shí)進(jìn)行介紹。詳細(xì)介紹了文本聚類(lèi)的整個(gè)流程過(guò)程及常見(jiàn)的相似性度量方法等等。
　　2.深入理解Hadoop平臺(tái)的兩大核心框架及關(guān)鍵技術(shù)，闡述它們間的相互聯(lián)系及運(yùn)行機(jī)制，說(shuō)明相比傳統(tǒng)單機(jī)環(huán)境下作聚類(lèi)實(shí)驗(yàn)的優(yōu)勢(shì)。
　　3.搭建Hadoop分布式環(huán)境，配置