大數據技術前沿

第1章　大數據可視化 1
1．1 可視化基礎 2
1．1．1 可視化釋義 2
1．1．2 可視化流程 5
1．1．3 可視化對象 6
1．1．4 可視化方法 10
1．2 大數據可視化介紹 36
1．2．1 大數據可視化特點 37
1．2．2 大尺度數據的可視化 38
1．2．3 快速變化數據的可視化 41
1．2．4 多變量數據的可視化 44
1．2．5 非結構化數據的可視化 50
1．2．6 大數據可視分析 53
1．3 可視化與可視分析研發(fā)資源 60
1．3．1 代表性開源與商業(yè)軟件 60
1．3．2 開發(fā)工具與編程語言 61
1．3．3 可視化信息資源 62
1．3．4 部分可視化科研機構 63
參考文獻 64
第2章　文本大數據處理 67
2．1 文本大數據概述 67
2．2 中文詞法分析 70
2．3 句法分析 73
2．4 語義分析 74
2．5 開源項目與共享工具 75
2．6 文本大數據的部分應用 76
2．6．1 概述 76
2．6．2 基于雙數組Trie樹的面向微博短文本的分詞 77
2．6．3 詞義消歧 80
2．6．4 未登錄詞識別 83
2．6．5 文本分類與文本聚類 84
2．6．6 機器翻譯 86
2．6．7 其他應用 87
參考文獻 89
第3章　社交網絡大數據挖掘 91
3．1 概述 91
3．2 大規(guī)模異構網絡集成 94
3．2．1 計算模型――COSNET 96
3．2．2 模型求解 98
3．2．3 實驗結果 99
3．3 基于交互的網絡機器學習 101
3．3．1 網絡數據的主動交互學習 101
3．3．2 算法模型――MaxCo 102
3．3．3 網絡流數據的主動交互學習 103
3．3．4 算法模型 104
3．4 基于隨機路徑的高效網絡拓撲相似度算法 106
3．4．1 問題定義 107
3．4．2 基于隨機路徑的網絡拓撲相似度算法――Panther 107
3．4．3 實驗結果 110
3．4．4 小結 113
3．5 個體行為與網絡分布的統(tǒng)一建?？蚣塄D―M3D 113
3．5．1 研究方案 114
3．5．2 實驗驗證 115
3．6 總結和展望 117
參考文獻 117
第4章　語義大數據――知識圖譜 119
4．1 大規(guī)模知識圖譜技術 119
4．1．1 知識圖譜的表示及其在搜索中的展現(xiàn)形式 119
4．1．2 知識圖譜的構建 121
4．1．3 知識圖譜在搜索中的應用 126
4．1．4 總結 127
4．2 行業(yè)知識圖譜工具 127
4．2．1 簡介 127
4．2．2 常見的行業(yè)知識圖譜 129
4．2．3 行業(yè)知識圖譜的構建 131
4．2．4 行業(yè)知識圖譜的應用 139
4．2．5 應用案例 141
第5章　圖數據庫――基于圖的大數據管理 147
5．1 圖數據庫簡介 147
5．1．1 大圖數據 148
5．1．2 OLTP與OLAP 149
5．1．3 圖數據模型 151
5．1．4 圖查詢語言 154
5．2 主流圖數據庫和圖計算引擎 160
5．2．1 最流行的圖數據庫――Neo4j 160
5．2．2 分布式圖數據庫――Titan 161
5．2．3 基于RDF三元組庫的圖數據庫――Blazegraph 162
5．2．4 基于Pregel框架的圖計算引擎――Giraph、Hama、
GraphLab、GraphX 163
5．3 圖數據庫關鍵技術 166
5．3．1 圖數據庫的存儲 166
5．3．2 圖數據庫的索引 169
5．3．3 圖數據庫的查詢處理 172
5．4 圖數據庫應用 175
5．4．1 語義萬維網 175
5．4．2 社會網絡 176
5．4．3 生物信息學 177
第6章　內存計算――高速大數據處理的核心技術 179
6．1 內存計算技術的一個誤區(qū) 179
6．2 TimesTen的設計思路 180
6．3 Apache Spark的設計思路 182
6．4 SAP HANA的設計思路 184
6．5 YunTable 4．0的產品介紹 186
6．5．1 整體架構與核心技術 186
6．5．2 MPP 188
6．5．3 列存2．0 188
6．5．4 動態(tài)數據分發(fā) 190
6．5．5 內存計算 191
6．5．6 性能和路線圖 191
6．6 總結 192
第7章　分布式存儲系統(tǒng)――大數據存儲支撐技術 193
7．1 大數據對存儲系統(tǒng)帶來的挑戰(zhàn)及其引發(fā)的變革 193
7．2 谷歌文件系統(tǒng)（GFS） 194
7．2．1 支持大數據集存取和離線批處理的分布式存儲系統(tǒng) 194
7．2．2 GFS架構分析 195
7．2．3 系統(tǒng)交互 202
7．2．4 主節(jié)點的設計 206
7．2．5 容錯和診斷 211
7．2．6 小結 214
7．3 支持海量數據和大規(guī)模并發(fā)訪問的分布式對象存儲
OpenStack Swift 214
7．3．1 互聯(lián)網化帶來新的存儲需求 214
7．3．2 OpenStack Swift的特點 216
7．3．3 Swift的數據模型和架構 219
7．3．4 Swift的API 236
第8章　大數據安全技術 243
8．1 差分隱私保護方法簡介 243
8．2 差分隱私研究保護方向――數據發(fā)布和數據挖掘 246
8．2．1 基于差分隱私保護的數據發(fā)布（DPDR） 246
8．2．2 差分隱私保護數據挖掘（DPDM） 247
8．3 常見隱私保護方法 247
8．3．1 差分隱私保護分類方法 247
8．3．2 差分隱私保護聚類方法 248
8．3．3 差分隱私頻繁模式挖掘 249
8．4 應用案例和原型系統(tǒng) 249
參考文獻 251
第9章　眾包――數據來源與質量保證 255
9．1 眾包 255
9．1．1 眾包的概念和模型 255
9．1．2 眾包的優(yōu)劣分析 257
9．2 眾包的關鍵技術 257
9．2．1 眾包流程 257
9．2．2 任務設計 259
9．2．3 任務分配 260
9．2．4 任務動態(tài)優(yōu)化 261
9．2．5 眾包激勵機制 261
9．2．6 眾包質量保障 263
9．3 眾包的成功案例和平臺 264
9．3．1 知識百科眾包 264
9．3．2 數據眾包 264
9．3．3 創(chuàng)新眾包 266
9．3．4 軟件眾包 267
9．3．5 眾籌 268
9．3．6 通用智力勞動眾包 269
9．3．7 中國的眾包平臺 269
9．4 眾包研究趨勢 269
9．5 總結和展望 271
參考文獻 271