摘要：传统基于内容的图像检索方法通过相似度测量算法获取检索结果,对海量图像存在检索效率低和精度差的弊端,因此设计基于hadoop分布式的海量图像检索方法,其基于hadoop云平台对海量数码图像实施分布式运算,采集图像SURF特征,采用K-Means聚类方法将相似图像SURF特征聚集起来,通过TF-IDF数据挖掘技术对图像特征实施量化,进而基于hadoop平台中的Lucene框架塑造海量图像数据的索引模块和搜索模块,依据用户输入的图像SURF特征塑造海量图像数据索引,完成相似图像的准确检索。实验结果说明,所提图像检索方法检索出的图像质量佳,对海量图像进行检索的效率和精度高。

摘要：为解决传统海量图像检索方法存在的问题,本文提出基于hadoop分布式的海量图像检索方法.该方法利用hadoop的聚类功能分布式存储海量图像,确定海量图像特征的模糊空间,计算海量图像特征相似度,以海量图像特征检索匹配相似度为核心指标,得出基于hadoop分布式检索海量图像结果,完成海量图像检索。实例结果表明:设计检索方法测得的检索查全率高于对照组,能够解决检索查全率低的问题。

摘要：为了方便企业及时便捷的获得与追踪各种人事管理方面的信息,在hadoop分布式构架平台的基础上,利用员工对企业的项目满意度构建行为记录矩阵,通过协同过滤算法分析和设计了一套适用于人力资源信息管理的系统,实现参数设定、分区管理、职员管理、用户管理和生产管理五大模块的综合管理。对人力资源信息管理系统进行了具体的实验分析,结果表明:当1 571名员工产生28 325条员工评分记录时,2个节点和3个节点的系统响应时间分别为7.4 s和4.8 s,且明显小于非分布式算法,同时协同过滤算法比非分布式算法的MSE与MPE分别小0.39%、0.52%,本研究的协同过滤算法可以胜任人力资源管理系统的数据分布式计算任务。

摘要：针对当前抓取调度数据量巨大且计算复杂耗时长的问题,根据数据集的维度特征属性,通过凝聚层次聚类的方式对数据进行分层处理,并将其运用到小型hadoop分布式系统中,通过服务器Master来对一般数据库MySQL数据库进行维护与待分层,并对其中的数据特征进行归列,再按照流程传递到不同的Slave服务器使得处理好工作得以进行。Map过程之前将凝聚层次聚类规则作为预处理操作,完成数据模板文件的编写。选取MVC模式应用到实验模拟测试中:小型hadoop分布式系统Master节点和Slave节点的运行效率比单机爬虫的效率高了近65%。

摘要：协同过滤算法被成功的应用于个性化推荐系统中。但是传统的协同过滤算法没有考虑用户兴趣会根据时间的推移发生兴趣偏移问题,导致推荐系统的推荐质量下降,而且随着数据量的不断增大,传统的基于单机模式的推荐计算模式已经无法适应大数据。针对该问题,提出了在hadoop分布式环境下基于时间加权的协同过滤算法设计和实现,实验表明,改进的算法可以在hadoop分布式环境下对海量数据进行计算生成推荐结果,而且提高了推荐系统的推荐质量。