| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 引言 | 第8-11页 |
| 1.1 课题研究背景与意义 | 第8-9页 |
| 1.2 论文主要工作 | 第9页 |
| 1.3 论文组织结构 | 第9-11页 |
| 第二章 相关技术与研究现状概述 | 第11-23页 |
| 2.1 大数据挖掘技术概述 | 第11-13页 |
| 2.1.1 大数据的特点 | 第11-12页 |
| 2.1.2 大数据挖掘的定义 | 第12-13页 |
| 2.1.3 大数据挖掘的挑战 | 第13页 |
| 2.2 云计算 | 第13-18页 |
| 2.2.1 云计算概述 | 第13-14页 |
| 2.2.2 云计算的关键技术 | 第14-17页 |
| 2.2.3 云计算与大数据的关系 | 第17-18页 |
| 2.3 Hadoop结构分析 | 第18-21页 |
| 2.3.1 MapReduce编程模型 | 第18-19页 |
| 2.3.2 HDFS分布式文件系统 | 第19-21页 |
| 2.4 国内外相关研究现状 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 基于密度的增量k-means聚类算法研究 | 第23-40页 |
| 3.1 k-means聚类算法 | 第23-24页 |
| 3.1.1 k-means聚类算法的基本思想 | 第23-24页 |
| 3.1.2 k-means聚类算法的优缺点 | 第24页 |
| 3.2 DBSCAN聚类算法 | 第24-26页 |
| 3.2.1 DBSCAN聚类算法的基本思想 | 第24-25页 |
| 3.2.2 DBSCAN聚类算法的优缺点 | 第25-26页 |
| 3.3 DBIK-means聚类算法设计 | 第26-36页 |
| 3.3.1 DBIK-means聚类算法的基本思想 | 第26页 |
| 3.3.2 数据相异度的计算 | 第26-28页 |
| 3.3.3 DBIK-means聚类算法的描述 | 第28-36页 |
| 3.4 实验与结果分析 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 DBIK-means聚类算法的并行化 | 第40-57页 |
| 4.1 共享存储空间 | 第40-41页 |
| 4.1.1 Hadoop的不足 | 第40-41页 |
| 4.1.2 共享存储空间 | 第41页 |
| 4.2 DBIK-means聚类算法并行化设计与实现 | 第41-48页 |
| 4.2.1 DBIK-means聚类算法并行化基本思想 | 第42-43页 |
| 4.2.2 DBIK-means聚类算法在Hadoop上的实现 | 第43-48页 |
| 4.3 Hadoop平台搭建 | 第48-54页 |
| 4.3.1 完全分布式的实现 | 第49-52页 |
| 4.3.2 单机伪分布式的实现 | 第52-54页 |
| 4.4 实验及结果分析 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 DBIK-means聚类算法的应用 | 第57-64页 |
| 5.1 电信客户数据分析 | 第57-59页 |
| 5.2 DBIK-means聚类算法在电信客户分类中的应用 | 第59-63页 |
| 5.2.1 基于DBIK-means算法的电信客户分类 | 第59-61页 |
| 5.2.2 基于分类结果的营销策略制定 | 第61-63页 |
| 5.3 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 参考文献 | 第66-68页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第68-69页 |
| 致谢 | 第69页 |
