Comparing MapReduce-Based k-NN Similarity Joins On Hadoop For High-dimensional Data

Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F17%3A10366491" target="_blank" >RIV/00216208:11320/17:10366491 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-319-69179-4_5" target="_blank" >http://dx.doi.org/10.1007/978-3-319-69179-4_5</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-69179-4_5" target="_blank" >10.1007/978-3-319-69179-4_5</a>

Jazyk výsledku
angličtina
Název v původním jazyce
Comparing MapReduce-Based k-NN Similarity Joins On Hadoop For High-dimensional Data
Popis výsledku v původním jazyce
Similarity joins represent a useful operator for data mining, data analysis and data exploration applications. With the exponential growth of data to be analyzed, distributed approaches like MapReduce are required. So far, the state-of-the-art similarity join approaches based on MapReduce mainly focused on the processing of vector data with less than one hundred dimensions. In this paper, we revisit and investigate the performance of different MapReduce-based approximate k-NN similarity join approaches on Apache Hadoop for large volumes of high-dimensional vector data.
Název v anglickém jazyce
Comparing MapReduce-Based k-NN Similarity Joins On Hadoop For High-dimensional Data
Popis výsledku anglicky
Similarity joins represent a useful operator for data mining, data analysis and data exploration applications. With the exponential growth of data to be analyzed, distributed approaches like MapReduce are required. So far, the state-of-the-art similarity join approaches based on MapReduce mainly focused on the processing of vector data with less than one hundred dimensions. In this paper, we revisit and investigate the performance of different MapReduce-based approximate k-NN similarity join approaches on Apache Hadoop for large volumes of high-dimensional vector data.

Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt
<a href="/cs/project/GA15-08916S" target="_blank" >GA15-08916S: Efektivní identifikace podgrafů při analýze webových grafů velikosti petabajtů</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění
2017
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Podobné výsledky(10)