一种改进K-Means算法的Web日志挖掘技术的研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景及意义 | 第13-15页 |
| 1.1.1 Web日志挖掘 | 第13-14页 |
| 1.1.2 云计算和大数据技术 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 Web挖掘技术 | 第15-16页 |
| 1.2.2 K-均值聚类算法 | 第16-17页 |
| 1.2.3 分布式计算 | 第17-18页 |
| 1.3 本文研究内容 | 第18-19页 |
| 1.4 本文的组织框架 | 第19-21页 |
| 第2章 Web日志挖掘技术的研究 | 第21-33页 |
| 2.1 Web数据挖掘 | 第21-25页 |
| 2.1.1 数据挖掘 | 第21-24页 |
| 2.1.2 Web数据挖掘 | 第24-25页 |
| 2.2 Web日志挖掘概述 | 第25-27页 |
| 2.3 Web日志挖掘数据预处理技术 | 第27-31页 |
| 2.3.1 数据清洗 | 第27-29页 |
| 2.3.2 用户识别 | 第29页 |
| 2.3.3 会话识别 | 第29-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第3章 K-均值聚类算法相关研究 | 第33-45页 |
| 3.1 聚类分析 | 第33-36页 |
| 3.1.1 聚类分析简介 | 第33-35页 |
| 3.1.2 聚类分析方法 | 第35-36页 |
| 3.2 基于聚类的Web日志挖掘 | 第36页 |
| 3.3 K-均值聚类算法 | 第36-41页 |
| 3.3.1 算法描述 | 第36-39页 |
| 3.3.2 基于K-均值聚类的用户聚类 | 第39-40页 |
| 3.3.3 算法缺陷 | 第40-41页 |
| 3.4 改进的K-均值聚类算法 | 第41-44页 |
| 3.4.1 ICKM算法描述 | 第42-44页 |
| 3.4.2 算法特点 | 第44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于MapReduce的 K-均值算法 | 第45-57页 |
| 4.1 云计算 | 第45-47页 |
| 4.2 分布式相关技术 | 第47-51页 |
| 4.2.1 Hadoop运行框架 | 第47-48页 |
| 4.2.2 HDFS分布式文件系统 | 第48-50页 |
| 4.2.3 MapReduce编程模型 | 第50-51页 |
| 4.3 ICKM算法的MapReduce并行化 | 第51-54页 |
| 4.3.1 ICKM并行化可行性分析 | 第52页 |
| 4.3.2 ICKM算法的Map阶段 | 第52-53页 |
| 4.3.3 ICKM算法的Reduce阶段 | 第53-54页 |
| 4.4 本章小结 | 第54-57页 |
| 第5章 实验设计与结果分析 | 第57-65页 |
| 5.1 实验环境与实验样本 | 第57-58页 |
| 5.1.1 实验环境 | 第57页 |
| 5.1.2 实验样本 | 第57-58页 |
| 5.2 Web日志挖掘系统数据模型建立 | 第58-59页 |
| 5.3 实验结果与分析 | 第59-62页 |
| 5.3.1 实验性能参数 | 第59-60页 |
| 5.3.2 实验结果与分析 | 第60-62页 |
| 5.4 实验性能分析 | 第62-63页 |
| 5.5 本章小结 | 第63-65页 |
| 总结和展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士期间发表的学术论文 | 第71-73页 |
| 致谢 | 第73页 |
