| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10-11页 |
| 1.1.1 Web大数据时代 | 第10-11页 |
| 1.1.2 Web用户网络行为 | 第11页 |
| 1.2 本文研究内容和目标 | 第11-12页 |
| 1.3 本文的章节结构 | 第12页 |
| 1.4 本章小结 | 第12-14页 |
| 第二章 关键技术研究基础与现状 | 第14-26页 |
| 2.1 网络爬虫技术概述 | 第14-17页 |
| 2.1.1 HTTP协议简介 | 第14-16页 |
| 2.1.2 网络爬虫简介 | 第16-17页 |
| 2.1.3 正则表达式简介 | 第17页 |
| 2.2 基于分布式的大数据处理技术 | 第17-20页 |
| 2.2.1 大数据和分布式技术 | 第17页 |
| 2.2.2 MapReduce和分布式存储技术 | 第17-18页 |
| 2.2.3 大数据处理平台Hadoop简介 | 第18-19页 |
| 2.2.4 Hadoop的应用和DPI简介 | 第19-20页 |
| 2.3 电商用户行为分析 | 第20-22页 |
| 2.3.1 电商用户行为概述 | 第20-21页 |
| 2.3.2 网络行为分析工具 | 第21页 |
| 2.3.3 基于行为分析的电商用户画像构建 | 第21-22页 |
| 2.4 用户兴趣推荐系统概述 | 第22-24页 |
| 2.4.1 推荐系统的概念和意义 | 第22-23页 |
| 2.4.2 常见推荐算法简介 | 第23页 |
| 2.4.3 推荐系统的评价指标 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第三章 电商网站基础数据获取与处理 | 第26-44页 |
| 3.1 电商网站的基础数据采集 | 第26-35页 |
| 3.1.1 网络爬虫技术原理 | 第26-27页 |
| 3.1.2 基于深度优先网络爬虫的电商网站商品信息获取 | 第27-31页 |
| 3.1.3 爬虫抓取页面的解析 | 第31-32页 |
| 3.1.4 多线程和分布式爬虫在电商网站商品信息采集中的应用 | 第32-35页 |
| 3.2 基于开源爬虫框架的电商网站数据获取 | 第35-41页 |
| 3.2.1 常用开源爬虫框架介绍 | 第36页 |
| 3.2.2 Scrapy开源爬虫框架原理介绍 | 第36-38页 |
| 3.2.3 基于Scrapy和Redis的电商网站分布式爬虫设计 | 第38-39页 |
| 3.2.4 电商网站采集数据处理及持久化存储设计 | 第39-40页 |
| 3.2.5 爬虫实现方案的性能对比 | 第40-41页 |
| 3.3 反爬虫策略介绍和相应解决方案设计 | 第41-42页 |
| 3.3.1 基于Headers的反爬虫策略 | 第41-42页 |
| 3.3.2 基于用户行为的反爬虫策略 | 第42页 |
| 3.3.3 动态页面的反爬虫策略 | 第42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 电商用户行为分析 | 第44-52页 |
| 4.1 用户行为分析的意义和目标 | 第44页 |
| 4.2 电商用户行为分析 | 第44-50页 |
| 4.2.1 电商用户在不同电商间访问行为 | 第44-46页 |
| 4.2.2 电商用户在不同终端下使用的行为 | 第46-47页 |
| 4.2.3 电商用户在访问电商网站中动作的行为 | 第47-48页 |
| 4.2.4 不同地域间电商用户的行为 | 第48-49页 |
| 4.2.5 电商用户行为会话识别 | 第49页 |
| 4.2.6 时间维度下的电商用户行为 | 第49-50页 |
| 4.3 本章小结 | 第50-52页 |
| 第五章 基于Hadoop平台的电信DPI数据处理 | 第52-74页 |
| 5.1 Hadoop平台相关组件和技术原理 | 第52-56页 |
| 5.1.1 MapReduce原理 | 第52-53页 |
| 5.1.2 HDFS架构原理和配置优化 | 第53-54页 |
| 5.1.3 HBase原理 | 第54-56页 |
| 5.1.4 Hive | 第56页 |
| 5.2 电信DPI数据预处理 | 第56-58页 |
| 5.2.1 电信DPI数据清洗 | 第56-57页 |
| 5.2.2 电信DPI数据结构 | 第57页 |
| 5.2.3 电商用户数据过滤与分类 | 第57-58页 |
| 5.3 电信DPI数据用户行为统计的Hadoop编程设计 | 第58-62页 |
| 5.3.1 电商网站基础数据和电信DPI数据的聚和 | 第58-60页 |
| 5.3.2 DPI数据用户行为统计的Hadoop编程设计 | 第60-62页 |
| 5.4 DPI数据构建电商用户画像的Hadoop编程设计 | 第62-65页 |
| 5.4.1 基于HBase的电商用户画像表结构设计 | 第62页 |
| 5.4.2 MapReduce实现 | 第62-64页 |
| 5.4.3 基于HBase的用户画像信息查询 | 第64-65页 |
| 5.5 基于用户画像的电商用户兴趣推荐设计 | 第65-71页 |
| 5.5.1 基于内容推荐算法原理 | 第65页 |
| 5.5.2 协同过滤推荐算法原理 | 第65-68页 |
| 5.5.3 Mahout机器学习框架 | 第68-69页 |
| 5.5.4 基于电商用户画像的ItemCF推荐模型设计 | 第69-71页 |
| 5.6 本章小结 | 第71-74页 |
| 第六章 全文总结和展望 | 第74-76页 |
| 参考文献 | 第76-78页 |
| 致谢 | 第78页 |
