| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-11页 |
| 1.1 研究背景和选题意义 | 第7-8页 |
| 1.2 国内外的研究现状 | 第8-9页 |
| 1.3 本文的主要工作 | 第9-10页 |
| 1.4 论文组织结构 | 第10-11页 |
| 2 相关技术介绍 | 第11-21页 |
| 2.1 数据挖掘的概念 | 第11-14页 |
| 2.1.1 数据挖掘的任务 | 第11-12页 |
| 2.1.2 数据挖掘技术的主要方法 | 第12-14页 |
| 2.2 聚类分析概述 | 第14-16页 |
| 2.2.1 聚类分析的概念 | 第14页 |
| 2.2.2 聚类分析方法 | 第14-15页 |
| 2.2.3 聚类分析的相似性度量 | 第15-16页 |
| 2.2.4 聚类分析的准则函数 | 第16页 |
| 2.3 k-means算法 | 第16-19页 |
| 2.3.1 k-means算法的概念 | 第16-18页 |
| 2.3.2 K-means算法的缺点 | 第18-19页 |
| 2.4 本章小结 | 第19-21页 |
| 3 基于密度和距离的K-means算法改进 | 第21-33页 |
| 3.1 基本概念、定义及总结 | 第21-22页 |
| 3.2 ICCk-means算法介绍 | 第22-24页 |
| 3.3 IDCluster算法介绍 | 第24-27页 |
| 3.4 IDk-means算法 | 第27-29页 |
| 3.4.1 IDk-means算法介绍 | 第27页 |
| 3.4.2 IDk-means算法描述 | 第27-29页 |
| 3.5 实验结果 | 第29-31页 |
| 3.6 本章小结 | 第31-33页 |
| 4 IDk-means算法在Spark平台上的实现 | 第33-45页 |
| 4.1 Spark计算框架介绍 | 第33-34页 |
| 4.1.1 Spark架构设计 | 第33-34页 |
| 4.1.2 Spark的运行逻辑 | 第34页 |
| 4.2 Spark部署 | 第34-35页 |
| 4.3 IDk-means算法在Spark平台上的实现 | 第35-43页 |
| 4.3.1 IDk-means算法的并行化分析 | 第35-37页 |
| 4.3.2 IDk-means算法并行化实现 | 第37-43页 |
| 4.4 本章小结 | 第43-45页 |
| 5 基于改进K-means算法的移动客户细分 | 第45-55页 |
| 5.1 客户细分的概念 | 第45-46页 |
| 5.2 数据准备阶段 | 第46-48页 |
| 5.2.1 数据获取 | 第46-48页 |
| 5.2.2 数据预处理 | 第48页 |
| 5.3 系统设计与实现 | 第48-53页 |
| 5.4 本章小结 | 第53-55页 |
| 6 总结和展望 | 第55-57页 |
| 致谢 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 在校学习期间发表的论文、专利、获奖等评价情况 | 第63页 |