| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 论文的主要内容 | 第11-12页 |
| 1.4 论文组织结构 | 第12-13页 |
| 第二章 数据挖掘与Hadoop平台 | 第13-26页 |
| 2.1 数据挖掘概述及常用算法 | 第13-20页 |
| 2.1.1 数据挖掘 | 第13-16页 |
| 2.1.2 BP神经网络算法 | 第16-18页 |
| 2.1.3 K_Means算法 | 第18-20页 |
| 2.2 Hadoop平台：HDFS与MapReduce | 第20-23页 |
| 2.2.1 HDFS分布式文件存储系统 | 第20-22页 |
| 2.2.2 MapReduce分布式计算框架 | 第22-23页 |
| 2.3 大数据在电信行业的应用 | 第23-25页 |
| 2.3.1 运营商的大数据挑战 | 第23-24页 |
| 2.3.2 运营商的大数据机遇 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于Hadoop的数据挖掘算法 | 第26-34页 |
| 3.1 基于MapReduce的Canopy算法 | 第26-30页 |
| 3.1.1 Canopy算法简介 | 第26-28页 |
| 3.1.2 Canopy算法并行化 | 第28-30页 |
| 3.2 基于MapReduce的K_Means算法 | 第30-33页 |
| 3.2.1 K_Means算法并行化 | 第30-33页 |
| 3.2.2 K_Means算法并行化优势 | 第33页 |
| 3.3 本章小结 | 第33-34页 |
| 第四章 基于数据挖掘的电信养卡分析 | 第34-50页 |
| 4.1 数据仓库模型介绍与用户数据分析 | 第34-37页 |
| 4.1.1 数据仓库基本模型 | 第34-35页 |
| 4.1.2 养卡概念及用户属性分析 | 第35-36页 |
| 4.1.3 属性选择与数据准备 | 第36-37页 |
| 4.2 基于BP神经网络算法的养卡分析 | 第37-42页 |
| 4.2.1 训练样本的选择与模型确定 | 第38-39页 |
| 4.2.2 仿真步骤及结果分析 | 第39-42页 |
| 4.2.3 模型评价 | 第42页 |
| 4.3 基于K_Means算法的养卡分析 | 第42-49页 |
| 4.3.1 数据准备 | 第42-43页 |
| 4.3.2 仿真步骤及结果分析 | 第43-48页 |
| 4.3.3 模型评价 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 基于Hadoop的电信养卡分析 | 第50-67页 |
| 5.1 Hadoop平台搭建 | 第50-53页 |
| 5.1.1 Hadoop的搭建环境 | 第50-51页 |
| 5.1.2 Hadoop环境配置过程 | 第51-53页 |
| 5.2 基于Canopy的改进K_Means算法 | 第53-55页 |
| 5.2.1 针对电信养卡的改进K_Means算法 | 第53-54页 |
| 5.2.2 改进K_Means算法并行化 | 第54-55页 |
| 5.3 基于Hadoop平台的电信养卡分析 | 第55-61页 |
| 5.3.1 运行情况 | 第56-58页 |
| 5.3.2 结果分析 | 第58-60页 |
| 5.3.3 可扩展性分析 | 第60-61页 |
| 5.4 基于Hadoop的电信养卡Web平台设计 | 第61-66页 |
| 5.4.1 Web平台介绍 | 第61-62页 |
| 5.4.2 Web平台功能展示 | 第62-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-71页 |
| 致谢 | 第71页 |