| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 论文的研究背景及意义 | 第9-10页 |
| 1.2 研究现状和发展趋势 | 第10页 |
| 1.3 论文期间完成的工作及主要研究内容 | 第10-11页 |
| 1.4 论文的组织结构 | 第11-13页 |
| 第二章 Hadoop和数据挖掘 | 第13-21页 |
| 2.1 Hadoop和R | 第13-18页 |
| 2.1.1 HDFS分布式文件系统 | 第13-14页 |
| 2.1.2 MapReduce编程模型 | 第14-16页 |
| 2.1.3 数据仓库Hive | 第16-17页 |
| 2.1.4 R和RHadoop | 第17-18页 |
| 2.2 数据挖掘技术 | 第18-20页 |
| 2.2.1 数据挖掘的基本概念 | 第18页 |
| 2.2.2 数据挖掘的模型 | 第18-20页 |
| 2.2.3 数据挖掘的应用和工具 | 第20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 大数据运营分析关键技术研究 | 第21-42页 |
| 3.1 大数据运营分析指标体系 | 第21-26页 |
| 3.2 大数据运营分析数据挖掘平台 | 第26-29页 |
| 3.2.1 平台功能特点介绍 | 第26-27页 |
| 3.2.2 平台层次架构设计 | 第27-29页 |
| 3.3 基于MapReduce的K-means算法研究与实现 | 第29-34页 |
| 3.3.1 聚类的概念和K-means算法 | 第29-31页 |
| 3.3.2 基于MapReduce的K-means算法实现 | 第31-33页 |
| 3.3.3 实验与分析 | 第33-34页 |
| 3.4 基于MapReduce的Apriori算法研究与实现 | 第34-41页 |
| 3.4.1 关联规则的概念和Apriori算法 | 第34-36页 |
| 3.4.2 基于MapReduce的Apriori算法实现 | 第36-39页 |
| 3.4.3 实验与分析 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于Gn xDR数据的网络质量运营分析 | 第42-61页 |
| 4.1 概述 | 第42-43页 |
| 4.2 业务数据质量场景关联分析 | 第43-50页 |
| 4.2.1 业务数据质量关联分析模型 | 第43-44页 |
| 4.2.2 数据准备 | 第44-47页 |
| 4.2.3 业务数据质量聚类划分 | 第47-48页 |
| 4.2.3.1 量化属性降维与规范化 | 第47页 |
| 4.2.3.2 聚类结果 | 第47-48页 |
| 4.2.4 一级粒度频繁项集挖掘 | 第48-49页 |
| 4.2.5 二级粒度频繁项集挖掘 | 第49-50页 |
| 4.3 数据动态质量关联分析 | 第50-59页 |
| 4.3.1 数据动态质量关联分析模型 | 第50-52页 |
| 4.3.2 数据准备 | 第52-53页 |
| 4.3.3 聚类离散化 | 第53-56页 |
| 4.3.3.1 最优簇数选取 | 第53-54页 |
| 4.3.3.2 聚类结果 | 第54-56页 |
| 4.3.4 数据流量激增场景的关联分析 | 第56-57页 |
| 4.3.5 数据流量骤减场景的关联分析 | 第57-58页 |
| 4.3.6 数据质量下降场景的关联分析 | 第58-59页 |
| 4.4 本章小结 | 第59-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 论文总结 | 第61页 |
| 5.2 下一步研究工作的期望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 作者攻读学位期间发表的学术论文目录 | 第67页 |
