| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-18页 |
| ·Web 点击流信息挖掘概述 | 第10-13页 |
| ·Web 点击流挖掘 | 第10-12页 |
| ·Web 日志抽取与描述 | 第12-13页 |
| ·互联网海量数据挖掘概述 | 第13-14页 |
| ·国内外研究现状及分析 | 第14-16页 |
| ·点击流序列模式挖掘方法 | 第14-15页 |
| ·推荐算法 | 第15-16页 |
| ·论文主要工作 | 第16页 |
| ·论文内容安排 | 第16-18页 |
| 第二章 关键技术综述 | 第18-25页 |
| ·MapReduce 的文件系统支持 | 第18-20页 |
| ·分布式文件系统 | 第18-19页 |
| ·Google 分布式文件系统 GFS | 第19-20页 |
| ·MapReduce 关键技术 | 第20-21页 |
| ·MapReduce 计算模式原理 | 第20-21页 |
| ·MapReduce 编程方式 | 第21页 |
| ·MapReduce 模式实现的数据集操作 | 第21-25页 |
| ·基于 MapReduce 的选择运算 | 第21页 |
| ·基于 MapReduce 的投影运算 | 第21页 |
| ·基于 MapReduce 的并、交和差运算 | 第21-22页 |
| ·基于 MapReduce 的自然连接与一般性连接运算 | 第22-23页 |
| ·基于 MapReduce 的分组和聚合运算 | 第23页 |
| ·矩阵乘法 | 第23-25页 |
| 第三章 基于 HDFS 存储方式的数据仓库与开源分布式数据挖掘架构 | 第25-32页 |
| ·基于 HDFS 的数据仓库支撑体系 | 第25-27页 |
| ·Web 日志数据的 ETL 过程 | 第27-31页 |
| ·源数据同步到 HDFS | 第27-28页 |
| ·使用 Hive 数据仓库管理 | 第28-29页 |
| ·日志数据 ETL 过程 | 第29-31页 |
| ·分布式数据挖掘策略 | 第31-32页 |
| 第四章 基于 MapReduce 的点击流频繁序列模式挖掘 | 第32-40页 |
| ·关联规则挖掘与频繁模式 | 第32-33页 |
| ·问题描述与定义 | 第33页 |
| ·点击流数据预处理 | 第33-34页 |
| ·使用 MapReduce 改进 BIDE 点击流序列模式挖掘算法 | 第34-37页 |
| ·BIDE 算法思想 | 第34-36页 |
| ·BIDE 算法描述 | 第36页 |
| ·基于 MapReduce 的 BIDE 点击流序列模式挖掘算法 | 第36-37页 |
| ·算法测试与分析 | 第37-40页 |
| 第五章 基于点击流的推荐算法应用 | 第40-48页 |
| ·基于项的协同过滤推荐 | 第40-41页 |
| ·维度与模式融合 | 第41-42页 |
| ·基于点击流的推荐算法 | 第42-45页 |
| ·基于项的推荐算法 | 第42-43页 |
| ·模式融合机器学习算法 | 第43-44页 |
| ·MapReduce 实现点击流的项推荐算法 | 第44-45页 |
| ·实验与分析 | 第45-48页 |
| 第六章 总结与展望 | 第48-49页 |
| ·本文研究工作总结 | 第48页 |
| ·未来工作及展望 | 第48-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 附录 | 第53-54页 |
| 详细摘要 | 第54-56页 |
