| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 课题研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.3 本文研究内容 | 第18页 |
| 1.4 论文结构安排 | 第18-20页 |
| 第2章 基础理论及相关技术 | 第20-33页 |
| 2.1 Hadoop生态系统 | 第20-23页 |
| 2.1.1 Hadoop系统架构 | 第20-21页 |
| 2.1.2 Hadoop系统基本组成 | 第21-23页 |
| 2.2 HDFS分布式文件系统 | 第23-27页 |
| 2.2.1 HDFS体系结构 | 第23-24页 |
| 2.2.2 HDFS工作流程 | 第24-26页 |
| 2.2.3 HDFS可靠性措施 | 第26-27页 |
| 2.3 MapReduce并行编程框架 | 第27-30页 |
| 2.3.1 MapReduce基本编程模型 | 第28页 |
| 2.3.2 MapReduce程序作业流程 | 第28-30页 |
| 2.4 数据挖掘 | 第30-32页 |
| 2.4.1 数据挖掘技术 | 第30页 |
| 2.4.2 数据挖掘基本算法 | 第30-31页 |
| 2.4.3 Hadoop的数据挖掘机理 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 聚类算法研究 | 第33-48页 |
| 3.1 聚类分析 | 第33-39页 |
| 3.1.1 聚类算法 | 第34-35页 |
| 3.1.2 K-means算法 | 第35-38页 |
| 3.1.3 MeanShift算法 | 第38-39页 |
| 3.2 K-means的MapReduce并行化 | 第39-41页 |
| 3.2.1 K-means的MapReduce设计方案 | 第39-40页 |
| 3.2.2 K-means的MapReduce实现 | 第40-41页 |
| 3.3 K-means算法的改进 | 第41-43页 |
| 3.3.1 k-means算法缺点 | 第41-42页 |
| 3.3.2 改进K-means算法的设计 | 第42-43页 |
| 3.4 基于MapReduce改进聚类算法的设计 | 第43-47页 |
| 3.4.1 MeanShift的并行化 | 第43-46页 |
| 3.4.2 K-means的并行化 | 第46-47页 |
| 3.4.3 改进K-means算法时间复杂度 | 第47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于改进K-means算法的电信用户分群 | 第48-57页 |
| 4.1 用户分群需求分析 | 第48-49页 |
| 4.2 用户数据预处理 | 第49-50页 |
| 4.2.1 数据选取 | 第49页 |
| 4.2.2 数据清洗 | 第49-50页 |
| 4.2.3 数据转换 | 第50页 |
| 4.3 用户分群 | 第50-55页 |
| 4.3.1 用户分群方法 | 第51-52页 |
| 4.3.2 RFM模型分析 | 第52-53页 |
| 4.3.3 RFM模型的改进 | 第53-55页 |
| 4.4 改进K-means算法MapReduce实现 | 第55-56页 |
| 4.4.1 MeanShift追踪K值 | 第55-56页 |
| 4.4.2 K-means并行化阶段 | 第56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 实验结果及分析 | 第57-72页 |
| 5.1 实验环境 | 第57-63页 |
| 5.1.1 Hadoop集群 | 第57-58页 |
| 5.1.2 Hadoop完全分布式集群搭建 | 第58-63页 |
| 5.2 实验数据 | 第63-66页 |
| 5.3 电信用户分群实验 | 第66-71页 |
| 5.3.1 实验内容 | 第66-67页 |
| 5.3.2 实验结果分析 | 第67-71页 |
| 5.4 本章小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 1 全文总结 | 第72-73页 |
| 2 工作展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第78-79页 |
| 致谢 | 第79-80页 |
