| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-10页 |
| 第二章 研究背景和目标 | 第10-18页 |
| 2.1 选题背景与研究目标 | 第10-15页 |
| 2.1.1 互联网大数据概述 | 第10页 |
| 2.1.2 大规模数据获取概述 | 第10-12页 |
| 2.1.3 数据挖掘概述 | 第12页 |
| 2.1.4 互联网广告平台概述 | 第12-13页 |
| 2.1.5 用户行为分析概述 | 第13-14页 |
| 2.1.6 运营商对大数据处理的需求 | 第14-15页 |
| 2.2 国内外研究现状和发展趋势 | 第15-16页 |
| 2.3 研究目标及论文框架 | 第16-18页 |
| 第三章 研究思路和技术实现 | 第18-32页 |
| 3.1 研究思路 | 第18-19页 |
| 3.2 技术实现及背景 | 第19-23页 |
| 3.2.1 网络爬虫技术和实现 | 第19-21页 |
| 3.2.2 Hadoop技术及实现 | 第21-22页 |
| 3.2.3 MapReduce框架和算法实现 | 第22-23页 |
| 3.3 算法背景及实现 | 第23-32页 |
| 3.3.1 频繁项集算法 | 第23-24页 |
| 3.3.2 聚类算法 | 第24-27页 |
| 3.3.3 流量自相似性证明算法 | 第27-32页 |
| 第四章 数据处理与分析 | 第32-44页 |
| 4.1 数据来源 | 第32-33页 |
| 4.2 程序环境和文件读取 | 第33-34页 |
| 4.2.1 程序环境 | 第33页 |
| 4.2.2 数据文件读取 | 第33页 |
| 4.2.3 数据预处理 | 第33-34页 |
| 4.3 关键算法实现 | 第34-44页 |
| 4.3.1 MapReduce二次排序 | 第34-36页 |
| 4.3.2 基础统计 | 第36页 |
| 4.3.3 流量自相似证明 | 第36-37页 |
| 4.3.4 FpGrowth算法的MapReduce实现 | 第37-39页 |
| 4.3.5 Canopy算法的MapReduce实现 | 第39-44页 |
| 第五章 结果分析 | 第44-57页 |
| 5.1 全局统计结果 | 第44-50页 |
| 5.1.1 电商类综合分析 | 第44-48页 |
| 5.1.2 DSP平台综合分析 | 第48-50页 |
| 5.2 频繁项集分析结果 | 第50-52页 |
| 5.3 聚类分析结果 | 第52-54页 |
| 5.4 流量自相似分析结果 | 第54-57页 |
| 第六章 总结与展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61页 |