| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语对照表 | 第10-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-16页 |
| 1.3 本文研究内容 | 第16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第二章 Hadoop相关技术 | 第18-28页 |
| 2.1 云计算概述 | 第18-19页 |
| 2.1.1 云计算的定义 | 第18页 |
| 2.1.2 云计算的优点 | 第18-19页 |
| 2.2 Hadoop平台 | 第19-20页 |
| 2.3 HDFS分布式文件系统 | 第20-23页 |
| 2.3.1 节点的管理 | 第20-21页 |
| 2.3.2 文件的写入 | 第21-22页 |
| 2.3.3 文件的读取 | 第22页 |
| 2.3.4 HDFS的主要特性 | 第22-23页 |
| 2.4 MapReduce计算框架 | 第23-26页 |
| 2.4.1 MapReduce编程模型 | 第23-24页 |
| 2.4.2 MapReduce任务的执行流程 | 第24-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 聚类相关技术 | 第28-36页 |
| 3.1 数据挖掘 | 第28-29页 |
| 3.1.1 数据挖掘的概念与发展 | 第28页 |
| 3.1.2 数据挖掘的任务 | 第28-29页 |
| 3.1.3 数据挖掘的过程 | 第29页 |
| 3.2 聚类分析 | 第29-33页 |
| 3.2.1 聚类算法的分类 | 第30-31页 |
| 3.2.2 聚类分析中的数据结构 | 第31页 |
| 3.2.3 聚类分析中的相似度度量方法 | 第31-33页 |
| 3.2.4 聚类分析的流程 | 第33页 |
| 3.3 常用聚类算法 | 第33-35页 |
| 3.3.1 K-Means算法 | 第33-34页 |
| 3.3.2 K-Medoids算法 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 Hadoop平台下K-Medoids算法的优化 | 第36-52页 |
| 4.1 K-Medoids算法 | 第36-42页 |
| 4.1.1 K-Medoids算法原理 | 第36-37页 |
| 4.1.2 K-Medoids算法流程 | 第37-38页 |
| 4.1.3 K-Medoids算法的MapReduce并行化设计 | 第38-42页 |
| 4.2 基于Canopy算法的K-Medoids算法的优化 | 第42-47页 |
| 4.2.1 Canopy算法原理 | 第42-43页 |
| 4.2.2 Canopy算法流程 | 第43-44页 |
| 4.2.3 基于MapReduce的Canopy-K-Medoids算法设计 | 第44-47页 |
| 4.3 HCK-Medoids算法 | 第47-51页 |
| 4.3.1 最大最小距离算法介绍 | 第47-49页 |
| 4.3.2 最大最小距离算法的MapReduce化 | 第49-50页 |
| 4.3.3 HCK-Medoids算法的整体描述 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 实验结果及分析 | 第52-60页 |
| 5.1 实验环境 | 第52-54页 |
| 5.1.1 软硬件环境 | 第52-53页 |
| 5.1.2 部署Hadoop环境 | 第53-54页 |
| 5.2 实验数据的准备 | 第54页 |
| 5.3 实验结果与分析 | 第54-58页 |
| 5.3.1 准确率的分析 | 第55-56页 |
| 5.3.2 加速比的分析 | 第56-58页 |
| 5.3.3 扩展性分析 | 第58页 |
| 5.4 本章小结 | 第58-60页 |
| 第六章 HCK-Medoids算法在客户细分中的应用 | 第60-64页 |
| 6.1 客户细分 | 第60-61页 |
| 6.1.1 客户细分概述 | 第60页 |
| 6.1.2 客户细分的必要性 | 第60-61页 |
| 6.2 HCK-Medoids算法在客户细分中的应用 | 第61-63页 |
| 6.2.1 数据准备 | 第61页 |
| 6.2.2 实验结果分析 | 第61-63页 |
| 6.3 本章小结 | 第63-64页 |
| 第七章 总结与展望 | 第64-66页 |
| 参考文献 | 第66-68页 |
| 致谢 | 第68-70页 |
| 作者简介 | 第70-71页 |
