-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

大數據背后的核心技術

( 簡體 字)
作者:張桂剛,李超,邢春曉類別:1. -> 程式設計 -> 大數據
譯者:
出版社:電子工業出版社大數據背后的核心技術 3dWoo書號: 45945
詢問書籍請說出此書號!

有庫存
NT售價: 325

出版日:1/1/2017
頁數:340
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787121302961
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

隨著Web 2.0技術的發展,尤其是移動互聯網的飛速發展,每個人、每臺手機、每個iPad及每臺血壓計、血糖測量儀等各種智能移動設備無時無刻不在產生數據。大數據(Big Data)正在不斷地滲透到人們生活中的每個角落,也在不斷地改變人們的生活方式,并引導新興的產業革命,在給傳統行業帶來巨大沖擊的同時也帶來了巨大的新機遇和挑戰。一個企業甚至一個國家擁有的數據規模和質量,以及處理和分析數據的能力,已經成為判斷一個企業或者一個國家競爭力的最為重要的標志之一,擁有多少大數據資源及如何管理并使用這些大數據資源,已經成為是否具有核心競爭力的關鍵因素。為了迎接大數據帶來的各種挑戰和機遇,全球各個國家和企業對大數據的重視程度均達到了一個前所未有的高度。從全球角度來看,很多國家已經把大數據作為一項國家科技意志。例如,美國政府已經制訂了大數據研究和發展計劃,日本為了增強經濟活力提出了大數據戰略計劃等。不僅如此,一些知名公司如Google、IBM及EMC等也成立了專門的大數據研究機構,以應對在大數據研究和應用中的各項關鍵技術挑戰及應用實現所面臨的問題。
2008年,在Google成立10周年之際,《自然》(Nature)雜志出版了一期專刊,專門討論了未來大數據處理相關的一系列技術問題和挑戰。2011年2月11日美國出版的《科學》(Science)期刊專門出版了一期數據處理(Dealing with Data)專輯,圍繞目前科學研究的海量數據處理問題展開討論,并闡述了大數據對科學研究的重要性。在隨后的2011年9月4日,《自然》再次就大數據研究問題設立了一個大數據方面的專題,討論分析了現代科學研究面臨的一個巨大挑戰,即如何處理已有的大數據。目前,我國對大數據的認識也越來越深刻,各行各業均利用大數據進行各種研究及應用。
如上所述,大數據正在各行各業扮演著十分重要的角色,例如:?天文學領域。如通過對大數據的分析,掌握宇宙形成機理、宇宙黑洞形成及演化機理、星球消亡與再生原理等。?物理學領域。如大家所熟知的希格斯“上帝粒子”的大數據計算分析,核彈爆炸及氫彈爆炸的大數據計算模擬。?生物學領域。如基因排序的大數據計算,生命演化過程的大數據計算模擬及生物制藥的化學反應大數據計算模擬等。?地理學領域。如地震預警中的大數據計算,海嘯預警和防范的大數據計算,以及全球變暖預測的大數據計算等。?社會計算媒體領域。主要有以Facebook、Google和人人網為代表的社交交友網站的大數據計算,以Twitter、新浪微博及騰訊微博為代表的社交信息傳播網站的大數據計算(美國總統奧巴馬在總統選舉中采用了對Twitter大數據的分析,這是幫助他實現連任總統的關鍵所在),以天涯論壇為代表的論壇大數據的分析計算等。?電子商務領域。主要有以eBay、阿里巴巴、淘寶網為代表的電子商務大數據計算分析。?金融領域。主要有銀行及股票交易系統的大數據實時分析,新興的互聯網金融或者大數據金融形態主要有余額寶、百度百發及微信支付等。?能源、交通領域。主要有電網的大數據實時分析監控,能源調度大數據分析,城市公交線路規劃優化及交通道路路線選擇的大數據實時分析等。?通信領域。如PB級的電信、移動、聯通等通話記錄及短消息記錄的大數據計算分析。?其他領域。如人工智能的大數據分析、反恐領域的大數據分析、影視領域的大數據分析、文化領域的大數據分析、食品安全檢查領域的大數據分析、航空領域的大數據分析、電子商務領域的大數據分析、在線教育領域的大數據分析、健康醫療領域的大數據分析等。
大數據已經成為全球及全社會各行各業最為重要的戰略資源。如何管理好大數據,并從大數據中挖掘出它的潛在價值將是大數據未來的主要發展方向。大數據將普遍應用于國民生產中的各個領域,包括政府、醫療、經濟、社會、教育、航空航天、軍事及互聯網和物聯網等各個領域。本書后面幾章將給出一些具體的案例進行初步分析,以期更深入地從應用的角度理解大數據及其在各種應用中的價值所在。
如何處理這些密集型應用所需的大數據顯得越來越重要。與其他學科不同,大數據作為一門嶄新的學科,尚未形成一套理論體系,依然存在許多關鍵的問題沒有解決,甚至在大數據這門學科中到底有哪些基礎理論、關鍵問題、核心技術等都沒有一個完整的概念。鑒于此,本書研究大數據背后的核心技術并對一些具體的應用領域進行了分析。下圖展示了本書的總體架構和研究內容。

本書章節關系圖

第1章:大數據基本概念。本章主要分析大數據的一些基本概念,包括大數據定義、大數據度量、大數據表示、大數據的語意理解及大數據和云計算的關系等。
第2章:可編程數據中心。本章設計了一種可編程數據中心模型,該可編程數據中心模型將充分考慮能源消耗、基于各種智能調度的大數據放置方法等。
第3章:云文件系統。本章主要分析了現有的常用云文件系統,如谷歌GFS,Hadoop HDFS等,并分析了現有云文件系統的缺陷,最后提出了一種新的語意云文件系統的簡要設計思路SCFS。
第4章:云數據庫系統。本章主要分析了現有的常用云數據庫系統,如谷歌BigTable、Hadoop HBase等,并分析了現有云數據庫系統的缺陷,最后提出了一種新的語意云數據庫系統的簡要設計思路。
第5章:大數據并行編程與分析模型。本章主要分析了現有的常用大數據并行編程與分析模型,如谷歌MapReduce、Hadoop MapReduce、Hadoop++、Twister等,并分析了現有大數據并行編程與分析模型的缺陷,最后提出了一種新的大數據并行編程與分析模型的簡要設計思路SemanMR。另外,為了提高大數據實時處理效率,本章設計了一種初步的大數據實時處理方法。
第6章:大數據智能計算算法。本章主要總結了當前大數據智能計算常用的一些智能算法,并做了相應的分析。
第7章:基于大數據的數據倉庫技術。本章分析了現有的常用大數據倉庫技術,如Hive、Pig等,并提出一種新的基于大數據的數據倉庫技術的簡要設計思路。
第8章:大數據安全與隱私保護。本章介紹了在云環境下的大數據安全與隱私保護機制及相應的各種方法和算法。
第9章:基于大數據的語意軟件工程方法。本章根據大數據這門新學科的特點,提出了一種基于大數據的語意軟件工程的方法,為基于大數據的軟件系統的開發提供了一種新的軟件工程的研究、設計和開發思路。
第10章:基于規則的大數據流處理介紹。本章介紹了基于規則的大數據流處理所涉及的一些基本概念及基礎知識。
第11章:語意規則描述模型。本章介紹了一種可以表示各種粒度(大粒度、中粒度及小粒度)規則的語意規則描述模型。主要包括語意規則節點表示方法、語意規則節點流量及語意規則節點可計算代價等。
第12章:海量語意規則網及優化。本章介紹了基于規則合并及基于規則模塊等價替換的海量語意規則網優化方法。本章通過研究語意規則,將不同語意規則中有重復語意規則的節點進行合并,達到語意規則完全合并或部分合并的目的;同時,本章通過分析那些計算功能等價的語意規則模塊,用計算代價小的語意規則模塊替換計算代價大的語意規則模塊。
第13章:海量語意規則處理算法。本章在分析現有的各種規則模式匹配處理算法的基礎上,針對現有規則模式匹配處理算法的缺陷,介紹了一種適合于海量語意規則的海量語意規則模式匹配處理模型及運行時的處理算法。
第14章:海量語意規則并行處理。本章提出并研究了一種海量語意規則并行處理機制GAPCM。介紹了將海量語意規則生成互相獨立的規則子網的方法;任務預分配方法;語意規則子網的合理劃分方法;語意規則子網內部通信及處理機之間的外部通信;將任務具體映射到所對應處理機的方法。
第15章:文化大數據。本章從大數據在文化領域的應用角度分析了大數據在公共文化、圖書館、博物館、藝術館、科技館、藝術館及美術館這種文化領域的數據采集、存儲、計算分析及應用方法和典型應用。
第16章:醫療健康大數據。本章從大數據在醫療健康領域的應用角度分析了醫療健康領域如何利用大數據進行數據的組織、存儲、計算分析及應用方法和典型應用。
第17章:互聯網金融大數據。本章從大數據在金融領域的應用角度分析了互聯網金融領域如何利用大數據進行數據的組織、存儲、計算分析及其應用的方法和典型應用。
第18章:其他典型大數據。我們在第15、16及17章中分別介紹了文化大數據、醫療健康大數據及互聯網金融大數據。大數據的應用現在已經遍布各個領域,本章對教育大數據、電子商務大數據、互聯網大數據、能源大數據、交通大數據、宏觀經濟大數據、食品安全監管大數據等進行了一個簡要的闡述。
第19章:基于大數據的語意計算及典型應用。由于大數據的產生,語意計算(Semantic++ Computing)也應運而生。語意計算(Semantic++ Computing)是在語義計算(Semantic Computing)和語意計算(Semantic+ Computing)基礎上加上大數據技術的應用而產生的一種新的計算模式。本章分析了基于大數據的各種語意計算的應用,如在社交網絡方面的應用、政府方面的應用等,最后又具體介紹了基于大數據的語意計算應用,包括語意搜索引擎、語意金融、語意旅游規劃及基于海量語意規則的語意電子商務。
第20章:大數據未來研究方向。本章簡要描述了大數據未來的發展方向及主要應用方向等。

作 者
內容簡介:

本書分為三大部分,分別為大數據基礎理論分析、基于海量語意規則的大數據流處理技術及大數據應用。 第一部分介紹大數據領域的主要基礎理論,包括大數據基本概念、可編程數據中心、云文件系統、云數據庫系統、大數據并行編程與分析模型、大數據智能計算算法、基于大數據的數據倉庫技術、大數據安全與隱私保護,以及基于大數據的語意軟件工程方法等。 第二部分介紹基于海量語意規則的大數據流處理技術,包括基于規則的大數據流處理介紹、語意規則描述模型、海量語意規則網及優化、海量語意規則處理算法及海量語意規則并行處理等。 第三部分主要介紹大數據的一些典型應用,包括:文化大數據、醫療健康大數據、互聯網金融大數據、教育大數據、電子商務大數據、互聯網大數據、能源大數據、交通大數據、宏觀經濟大數據、進出口食品安全監管大數據、基于大數據的語意計算及典型應用(含語意搜索引擎、語意金融、語意旅游規劃、基于海量語意規則的語意電子商務)。最后探討了大數據未來的研究方向。

目錄:

第一部分 大數據基礎理論分析 (1)
第1章 大數據基本概念 (2)
1.1 大數據定義 (2)
1.2 大數據度量 (3)
1.2.1 大數據能耗度量 (3)
1.2.2 大數據計算能力度量 (4)
1.2.3 大數據的數據中心服務能力度量 (4)
1.2.4 大數據商業與社會價值度量 (4)
1.2.5 大數據冷熱度度量 (5)
1.3 語意計算的發展過程 (5)
1.3.1 語義計算(Semantic Computing) (5)
1.3.2 語意計算(Semantic+ Computing) (5)
1.3.3 語意計算(Semantic++ Computing) (6)
1.3.4 語意計算和大數據 (7)
1.4 大數據的語意理解 (8)
1.4.1 大數據資源語意存儲 (9)
1.4.2 大數據資源語意信息獲取 (9)
1.4.3 語意資源管理 (9)
1.4.4 大數據語意處理 (10)
1.4.5 大數據語意服務(語意分析/語意合成等) (10)
1.4.6 大數據語意安全與隱私 (10)
1.4.7 語意接口 (10)
1.4.8 基于語意的大數據應用 (10)
1.5 大數據和云計算 (11)
1.5.1 云計算 (11)
1.5.2 大數據和云計算的關系 (11)
本章小結 (12)
第2章 可編程數據中心 (13)
2.1 可編程數據中心體系架構 (13)
2.2 數據分配管理 (14)
2.2.1 數據分配管理原理 (14)
2.2.2 數據分配管理案例 (17)
2.3 異構數據節點分配管理 (19)
2.3.1 異構數據節點分配管理方法 (20)
2.3.2 異構數據節點服務能力計算方法 (22)
2.4 規則管理 (23)
2.4.1 規則 (23)
2.4.2 語意規則 (24)
2.4.3 海量語意規則管理架構 (24)
2.5 數據放置策略 (25)
2.5.1 谷歌的數據放置策略 (25)
2.5.2 Hadoop的數據放置策略 (26)
2.5.3 其他常用的數據放置策略 (26)
2.5.4 語意數據放置策略 (26)
2.6 可編程數據中心機房架構 (30)
本章小結 (30)
第3章 云文件系統 (32)
3.1 常用云文件系統綜述 (32)
3.2 語意云文件系統SCFS (34)
3.2.1 SCFS系統架構 (34)
3.2.2 SCFS大小文件處理機制 (36)
3.2.3 數據一致性保障 (40)
3.2.4 元數據集群管理技術 (40)
3.2.5 副本管理策略(負載均衡機制) (41)
本章小結 (44)
第4章 云數據庫系統 (45)
4.1 常用云數據庫系統綜述 (45)
4.2 語意云數據庫系統SCloudDB (47)
4.2.1 SCloudDB系統架構 (47)
4.2.2 SCloudDB設計思路 (48)
4.2.3 SCloudDB的SRegion定位機制 (50)
4.2.4 多維及海量隨機查詢機制 (51)
4.2.5 支持多維及海量隨機查詢的語意搜索機制 (52)
4.2.6 大表劃分方法 (54)
4.2.7 基于列族存儲及語意的大表劃分機制 (56)
4.2.8 分布式同步關鍵技術 (57)
本章小結 (59)
第5章 大數據并行編程與分析模型 (60)
5.1 大數據并行編程與分析模型綜述 (60)
5.2 大數據并行編程與分析模型SemanMR (63)
5.2.1 SemanMR體系架構 (63)
5.2.2 SemanMR技術思路 (64)
5.3 SemanMR關鍵技術 (66)
5.3.1 基于語意的調度器關鍵技術 (66)
5.3.2 SemanMR的作業/任務狀態交互新規則 (68)
5.3.3 語意映射器關鍵技術 (69)
5.3.4 基于語意的作業調度器關鍵技術 (70)
5.3.5 基于語意的任務調度器關鍵技術 (73)
5.3.6 任務跟蹤器關鍵技術 (76)
5.4 SemanMR計算部分框架 (78)
5.5 SemanMR原理分析 (82)
5.5.1 SemanMR原理實現分析 (82)
5.5.2 SemanMR實現原理特點分析 (84)
5.6 基于SemanMR的大數據實時處理與分析實現技術 (88)
5.6.1 SemanMR實時架構 (88)
5.6.2 SemanMR的MapReduce網絡優化技術 (89)
本章小結 (94)
第6章 大數據智能計算算法 (95)
6.1 大數據智能計算算法架構 (95)
6.2 數據采集算法 (95)
6.2.1 管理信息系統數據采集 (96)
6.2.2 網絡信息數據采集 (96)
6.2.3 物理信息數據采集 (96)
6.3 數據預處理算法 (97)
6.4 數據挖掘算法 (99)
6.4.1 分類算法 (99)
6.4.2 聚類算法 (100)
6.4.3 關聯挖掘算法 (101)
6.4.4 推薦算法 (101)
6.5 復雜智能算法 (103)
6.5.1 大數據溯源算法 (103)
6.5.2 大數據的相關推薦算法 (105)
6.5.3 基于大數據的決策管理算法 (105)
6.5.4 基于模型的推理及預測算法 (106)
6.5.5 基于數據的推理及預測算法 (107)
6.5.6 基于規則的推理及預測算法 (109)
6.5.7 混合推理及預測算法 (109)
本章小結 (109)
第7章 基于大數據的數據倉庫技術 (110)
7.1 Facebook中Hive采用的技術思路與存在問題分析 (110)

7.1.1 Hive采用的技術思路分析 (110)
7.1.2 Hive存在的問題分析 (111)
7.2 Yahoo!中Pig采用的技術思路與存在問題分析 (111)
7.2.1 Pig采用的技術思路分析 (111)
7.2.2 Pig存在的問題分析 (112)
7.3 未來數據倉庫架構需求分析 (113)
7.4 一種基于大數據的數據倉庫SemanDW (114)
本章小結 (114)
第8章 大數據安全與隱私保護 (115)
8.1 大數據安全模型BigData-PKI (115)
8.1.1 大數據安全體系結構 (115)
8.1.2 大數據安全模型BigData-PKI (116)
8.2 大數據安全協議BigData-Protocol (118)
8.3 大數據隱私 (120)
8.4 大數據的隱私提取方法 (121)
8.4.1 大數據的直接隱私提取方法 (121)
8.4.2 大數據的間接隱私提取方法 (121)
8.5 大數據隱私保護模型BigData-Privacy (122)
8.6 大數據共享信息與隱私信息融合技術 (122)
8.6.1 大數據的共享信息與隱私信息融合機制 (123)
8.6.2 大數據的共享信息與隱私信息融合算法 (123)
8.6.3 大數據的共享信息與隱私信息融合質量評價模型 (123)
8.7 云環境下醫療大數據安全和隱私保護示范 (125)
8.7.1 云環境下大數據安全和隱私保護架構 (125)
8.7.2 數據分割及安全機制 (127)
8.7.3 數據融合及安全機制 (129)
8.7.4 基于隱私數據的查詢機制 (130)
8.7.5 數據完整性保障機制 (131)
8.8 海量電子病歷安全保護應用 (133)
本章小結 (134)
第9章 基于大數據的語意軟件工程方法 (135)
9.1 基于大數據的語意軟件工程體系架構 (136)
9.2 基于大數據的語意軟件編制 (136)
9.2.1 基于大數據的語意軟件編制方法 (136)
9.2.2 基于大數據的語意軟件編制方法設計思路 (137)
9.2.3 復雜的SemanPL程序編程實現原理分析 (138)
9.2.4 基于大數據的語意編程語言SemanPL (139)
9.2.5 SemanPL編譯器原理分析 (141)

9.3 基于大數據的語意軟件測試 (143)
9.4 基于大數據的語意軟件驗證 (143)
9.5 基于大數據的語意軟件工程方法的語意軟件系統應用 (144)
本章小結 (144)
第二部分 基于海量語意規則的大數據流處理技術 (145)
第10章 基于規則的大數據流處理介紹 (147)
10.1 基于規則的大數據流 (147)
10.1.1 基于規則的大數據流應用背景 (147)
10.1.2 基于規則的大數據流應用意義 (148)
10.2 大數據流的規則處理技術國內外研究現狀 (149)
10.3 存在的問題總結與分析 (153)
本章小結 (154)
第11章 語意規則描述模型 (155)
11.1 規則表示方法 (155)
11.2 規則節點圖形化符號表示模型 (155)
11.2.1 非計算規則節點 (156)
11.2.2 計算規則節點 (156)
11.3 規則粒度 (158)
11.4 規則節點流量分析 (159)
11.5 計算規則節點計算代價分析 (163)
本章小結 (167)
第12章 海量語意規則網及優化 (168)
12.1 海量語意規則網概述 (168)
12.2 海量語意規則網維護 (169)
12.2.1 海量語意規則網增量集成 (169)
12.2.2 刪除規則節點時的規則網維護 (170)
12.3 海量語意規則網優化方法 (171)
12.3.1 基于規則合并的優化方法 (171)
12.3.2 規則模塊等價變換的優化方法 (173)
本章小結 (183)
第13章 海量語意規則處理算法 (184)
13.1 傳統規則處理算法存在的問題 (184)
13.2 海量語意規則模式匹配模型 (185)
13.2.1 海量語意規則模式匹配模型體系結構 (185)
13.2.2 概念與介紹 (186)
13.2.3 模式網絡存儲組織 (186)
13.2.4 海量語意規則模式匹配算法 (188)
13.3 海量語意規則模式匹配算法特點 (192)
13.4 海量語意規則網運行處理機制 (195)
本章小結 (198)
第14章 海量語意規則并行處理 (199)
14.1 海量語意規則并行處理面臨的問題 (199)
14.2 海量語意規則并行處理機制 (200)
14.2.1 海量語意規則并行處理機制GAPCM概述 (200)
14.2.2 海量語意規則子網生成 (201)
14.2.3 海量語意規則網計算代價預分配 (202)
14.2.4 海量語意規則網通信 (219)
14.2.5 映射分配 (220)
本章小結 (221)
第三部分 大數據應用 (223)
第15章 文化大數據 (224)
15.1 文化大數據的意義 (224)
15.2 文化大數據關鍵技術平臺架構 (225)
15.3 文化大數據資源層 (226)
15.4 文化大數據綜合平臺層 (227)
15.5 基于文化大數據的應用 (228)
15.6 文化大數據云管理系統 (232)
本章小結 (234)
第16章 醫療健康大數據 (235)
16.1 醫療健康大數據 (235)
16.2 醫療健康大數據平臺架構 (235)
16.3 醫療健康大數據共享平臺 (237)
16.3.1 集中式醫療健康大數據共享平臺 (237)
16.3.2 分散式醫療健康大數據共享平臺 (238)
16.4 醫療健康大數據分散式架構資源集成方法 (239)
16.5 醫療健康大數據數據安全保護機制 (241)
16.6 醫療健康大數據隱私保護機制 (241)
16.7 醫療健康大數據挖掘與分析 (242)
16.8 基于可穿戴設備的居家醫療養老大數據分析系統 (243)
16.9 醫療健康大數據其他典型應用 (244)
本章小結 (245)
第17章 互聯網金融大數據 (246)
17.1 互聯網金融 (246)
17.1.1 互聯網金融的概念 (246)
17.1.2 互聯網金融的產生 (246)
17.1.3 互聯網金融分類 (247)

17.1.4 互聯網金融發展歷程 (248)
17.1.5 互聯網金融發展階段 (251)
17.1.6 互聯網金融發展趨勢 (252)
17.2 大數據金融 (253)
17.3 金融大數據架構 (254)
17.3.1 金融大數據數據源 (255)
17.3.2 數據采集/清洗/轉換 (255)
17.3.3 金融大數據存儲 (255)
17.3.4 各種金融模型 (256)
17.3.5 各種大數據挖掘分析算法 (257)
17.3.6 各種大數據并行編程模型 (257)
17.3.7 各種大數據金融應用 (257)
17.4 大數據金融案例 (257)
本章小結 (258)
第18章 其他典型大數據 (259)
18.1 教育大數據 (259)
18.1.1 教育大數據平臺架構 (259)
18.1.2 基于大數據的教育社區學生/教師個性化服務 (261)
18.1.3 基于大數據的教育社區學生行為建模與分析 (262)
18.1.4 基于大數據的教育社區教學規律分析 (262)
18.1.5 基于大數據的教育社區個性化教學 (262)
18.1.6 基于教育大數據的語意問答系統 (262)
18.2 電子商務大數據 (263)
18.2.1 電子商務大數據平臺架構 (263)
18.2.2 電子商務虛假圖片監測 (265)
18.2.3 電子商務產品個性化推薦 (265)
18.2.4 基于電子商務大數據的消費者行為分析 (266)
18.2.5 基于電子商務大數據的物流 (266)
18.2.6 電子商務實時大數據流規則處理 (266)
18.2.7 電子商務評估管理系統 (267)
18.3 互聯網大數據 (267)
18.3.1 互聯網大數據平臺架構 (267)
18.3.2 互聯網熱點計算 (268)
18.3.3 互聯網熱點個性化推薦 (268)
18.3.4 互聯網輿情監測 (268)
18.3.5 互聯網熱點趨勢分析預測 (269)
18.3.6 互聯網輿情預警應用 (269)
18.3.7 大型網絡軟件平臺的數據采集與分析方案 (269)
18.4 能源大數據 (272)
18.4.1 石油大數據 (272)
18.4.2 智能電網大數據 (275)
18.5 交通大數據 (276)
18.6 宏觀經濟大數據 (278)
18.7 進出口食品安全監管大數據 (280)
18.7.1 基于大數據的進出口食品安全監管系統總體架構 (280)
18.7.2 基于大數據的進出口食品安全監測分析 (280)
18.7.3 基于海量語意規則的進出口食品社會應急分析 (281)
18.7.4 基于大數據的進出口食品溯源分析 (282)
18.7.5 基于大數據的進出口食品安全決策 (283)
本章小結 (283)
第19章 基于大數據的語意計算及典型應用 (284)
19.1 基于大數據的應用領域分析 (284)
19.1.1 基于大數據的社交網絡領域應用分析 (284)
19.1.2 基于大數據的醫療領域應用分析 (285)
19.1.3 基于大數據的政府領域應用分析 (287)
19.1.4 基于大數據的金融領域應用分析 (289)
19.1.5 基于大數據的企業計算應用分析 (290)
19.2 語意搜索引擎 (291)
19.2.1 傳統搜索引擎 (292)
19.2.2 語義搜索引擎(Semantic Search Engine) (293)
19.2.3 語意搜索引擎(Semantic+ Search Engine) (293)
19.2.4 語意搜索引擎(Semantic++ Search Engine) (295)
19.3 語意金融 (296)
19.4 語意旅游 (296)
19.5 語意電子商務 (297)
19.5.1 案例概述 (297)
19.5.2 校園社區網規則舉例 (298)
19.5.3 優化的帶流量的規則網 (302)
19.5.4 未經優化的帶流量的規則網優化 (302)
19.5.5 規則網絡代價計算 (305)
19.5.6 規則網絡任務劃分 (306)
19.5.7 規則子網劃分 (308)
本章小結 (310)
第20章 大數據未來研究方向 (311)
參考文獻 (316)
序: