| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 课题研究背景及意义 | 第13-14页 |
| 1.2 与本课题相关的国内外研究现状 | 第14-15页 |
| 1.2.1 网络用户行为分析的研究现状 | 第14-15页 |
| 1.2.2 NoSQL的研究现状 | 第15页 |
| 1.3 研究内容与重点 | 第15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 网络用户行为分析方法与相关工作 | 第17-27页 |
| 2.1 网络用户行为分析基本理论 | 第17-21页 |
| 2.1.1 网络用户行为模式 | 第17-18页 |
| 2.1.2 网络用户行为分析数据来源 | 第18-21页 |
| 2.2 MongoDB数据库在网络行为分析中的应用 | 第21-24页 |
| 2.2.1 NoSQL的基本理论 | 第21-22页 |
| 2.2.2 MongoDB特点 | 第22-23页 |
| 2.2.3 MongoDB的分片机制 | 第23-24页 |
| 2.3 网络用户行为分析方案的对比与选择 | 第24-25页 |
| 2.3.1 基于关系型数据库的分析方案 | 第24页 |
| 2.3.2 基于MongoDB的分析方案 | 第24-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 基于MapReduce的K-means聚类算法 | 第27-39页 |
| 3.1 MapReduce数据分析模型 | 第27-30页 |
| 3.1.1 MapReduce工作原理 | 第27-28页 |
| 3.1.2 MapReduce数据处理过程 | 第28-30页 |
| 3.2 K-means聚类算法的详细介绍 | 第30-33页 |
| 3.2.1 聚类算法的基本理论 | 第30-32页 |
| 3.2.2 K-means算法的工作原理与处理流程 | 第32-33页 |
| 3.3 基于MapReduce的K-means算法的研究 | 第33-37页 |
| 3.3.1 基于MapReduce的K-means算法的并行化方法 | 第33-37页 |
| 3.3.2 基于MapReduce的K-means算法的分析 | 第37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 基于MongoDB的网络用户行为分析系统的设计 | 第39-49页 |
| 4.1 系统总体设计 | 第39-42页 |
| 4.1.1 应用背景与要求 | 第39页 |
| 4.1.2 系统框架 | 第39-42页 |
| 4.2 数据采集模块的详细设计 | 第42-45页 |
| 4.2.1 数据获取 | 第42-44页 |
| 4.2.2 数据处理 | 第44-45页 |
| 4.3 数据分析模块的详细设计 | 第45-47页 |
| 4.3.1 MongoDB数据分析工具 | 第45-46页 |
| 4.3.2 学生学习行为的数据化表示 | 第46-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第五章 系统测试与结果展示 | 第49-55页 |
| 5.1 测试环境 | 第49-51页 |
| 5.1.1 软硬件环境 | 第49页 |
| 5.1.2 MongoDB的分布式集群的部署 | 第49-51页 |
| 5.2 实验与结果 | 第51-54页 |
| 5.2.1 基于MapReduce的K-means算法并行性能实验 | 第51-52页 |
| 5.2.2 数据分析结果展示 | 第52-54页 |
| 5.3 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55-56页 |
| 6.2 进一步的工作 | 第56-57页 |
| 参考文献 | 第57-59页 |
| 致谢 | 第59-61页 |
| 作者简介 | 第61-62页 |
