基于Spark的貝葉斯文本分類算法研究與實現(xiàn).pdf

1、互聯(lián)網和物聯(lián)網技術的快速發(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)成為當今工業(yè)界和學術界研究的重點。大數(shù)據(jù)具有規(guī)模大、結構不規(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，因為Spark具有Hadoop MapReduce的優(yōu)點，同時Spark是基于內存計算的框架，摒棄了Hadoop將中間結果存放在HDFS上導致后續(xù)任務反復讀寫磁盤而帶來巨大的I/O開銷，這對于迭代運算比較常見的機器學習算法具有較大的效率優(yōu)勢。
　　本

3、文結合Spark平臺，研究了數(shù)據(jù)挖掘算法中的貝葉斯算法，并對其進行了優(yōu)化，建立自己的分類模型，最后在Spark上進行了并行實現(xiàn)。主要工作包括以下幾個方面:
　　(1)針對大數(shù)據(jù)的特點進行一系列的預處理:傳統(tǒng)的貝葉斯算法在處理大數(shù)據(jù)時需要花費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后的分類模型INBCS，首先對原始的數(shù)據(jù)集進行去除噪聲處理，然后運用信息增益的方法對英文文本進行降維，由于中文的語法結構、語義表

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

5、有特征項的比例，此類中含有該特征項的文本數(shù)占整個數(shù)據(jù)集含有該特征項的文本總數(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)對改進的分類模型INBCS在Spark上進行實現(xiàn)，本文實驗環(huán)境采用Spark集群生產環(huán)境，將改進的模型并行化，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。結果表明改進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。