| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究目的和意义 | 第10-12页 |
| 1.3 研究现状 | 第12-13页 |
| 1.4 论文的主要工作 | 第13-14页 |
| 1.5 论文的章节安排 | 第14-15页 |
| 第二章 网络用户行为分析相关理论与技术研究 | 第15-25页 |
| 2.1 网络用户行为分析 | 第15-18页 |
| 2.1.1 网络用户行为分析的概念 | 第15页 |
| 2.1.2 用户行为分析的特点 | 第15-16页 |
| 2.1.3 用户行为的分类 | 第16-18页 |
| 2.2 数据挖掘 | 第18-20页 |
| 2.2.1 数据挖掘的定义 | 第18页 |
| 2.2.2 数据挖掘的过程 | 第18-19页 |
| 2.2.3 数据挖掘的方法 | 第19-20页 |
| 2.3 上下文感知 | 第20-23页 |
| 2.3.1 上下文的概念 | 第20-21页 |
| 2.3.2 上下文感知的概念 | 第21-22页 |
| 2.3.3 网络用户上下文的获取 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 分布式网络用户行为分析系统设计方法与算法改进 | 第25-37页 |
| 3.1 用户行为分析系统的设计方法 | 第25-27页 |
| 3.1.1 用户行为分析系统的结构 | 第25-26页 |
| 3.1.2 用户行为分析系统的设计要求 | 第26-27页 |
| 3.2 聚类分析算法的相关研究 | 第27-29页 |
| 3.2.1 聚类分析的定义 | 第27-28页 |
| 3.2.2 传统K-means算法 | 第28-29页 |
| 3.3 基于初始聚类中心选择的K-means算法的改进 | 第29-31页 |
| 3.3.1 距离度量策略的改进 | 第29-30页 |
| 3.3.2 基于最小相似度的初始聚类中心选择的改进 | 第30页 |
| 3.3.3 基于密度邻域的初始聚类中心选择的算法改进 | 第30-31页 |
| 3.4 基于并行化设计的K-means算法的改进 | 第31-35页 |
| 3.4.1 MapReduce框架的工作原理 | 第32-33页 |
| 3.4.2 K-means算法的并行化实现 | 第33-35页 |
| 3.5 本章小结 | 第35-37页 |
| 第四章 分布式网络用户行为分析系统实现与测试评估 | 第37-63页 |
| 4.1 分布式网络用户行为分析系统 | 第37-39页 |
| 4.2 相关模块的实现 | 第39-63页 |
| 4.2.1 数据采集模块的设计实现 | 第39-48页 |
| 4.2.1.1 网页内容数据采集 | 第39-46页 |
| 4.2.1.2 用户上下文采集 | 第46-47页 |
| 4.2.1.3 WEB上下文信息采集 | 第47-48页 |
| 4.2.2 数据预处理模块 | 第48-52页 |
| 4.2.3 聚类分析模块 | 第52-58页 |
| 4.2.4 聚类算法评估 | 第58-63页 |
| 4.2.4.1 聚类性能评估 | 第58-60页 |
| 4.2.4.2 聚类质量评估 | 第60-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 工作总结 | 第63页 |
| 5.2 工作展望 | 第63-65页 |
| 参考文献 | 第65-67页 |
| 致谢 | 第67-69页 |
| 攻读硕士期间发表的学术论文 | 第69页 |
