| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究意义 | 第10页 |
| 1.3 论文结构 | 第10-13页 |
| 第二章 相关概念及研究现状 | 第13-17页 |
| 2.1 互联网流量分析 | 第13-14页 |
| 2.2 网络用户行为分析 | 第14-15页 |
| 2.3 协同聚类 | 第15-17页 |
| 第三章 基于用户点击识别的互联网流量分析模型 | 第17-29页 |
| 3.1 用户点击识别 | 第17-22页 |
| 3.1.1 用户点击请求的产生 | 第17-18页 |
| 3.1.2 用户点击识别方法 | 第18-19页 |
| 3.1.3 基于图模型的用户点击识别 | 第19-22页 |
| 3.2 对象级(object-level)的互联网流量分析模型 | 第22-27页 |
| 3.2.1 基本定义 | 第22页 |
| 3.2.2 数据采集与预处理 | 第22-24页 |
| 3.2.3 特征分析 | 第24-27页 |
| 3.3 本章小结 | 第27-29页 |
| 第四章 一种基于Spark的协同聚类算法的设计与实现 | 第29-49页 |
| 4.1 Spark分布式架构 | 第29-33页 |
| 4.1.1 Spark生态系统 | 第29-30页 |
| 4.1.2 Spark核心概念 | 第30-32页 |
| 4.1.3 Spark计算架构 | 第32-33页 |
| 4.2 非负矩阵分解(NMF) | 第33-35页 |
| 4.2.1 NMF基本算法 | 第33页 |
| 4.2.2 ONMTF算法 | 第33-34页 |
| 4.2.3 非负矩阵分解的应用 | 第34-35页 |
| 4.3 并行ONMTF算法设计与实现 | 第35-46页 |
| 4.3.1 分布式矩阵 | 第35-37页 |
| 4.3.2 分布式矩阵运算 | 第37-43页 |
| 4.3.3 ONMTF算法实现 | 第43-45页 |
| 4.3.4 ONMTF算法优化 | 第45-46页 |
| 4.4 ONMTF算法性能调优 | 第46-49页 |
| 第五章 实验与结果分析 | 第49-57页 |
| 5.1 实验环境 | 第49-50页 |
| 5.2 实验过程 | 第50-52页 |
| 5.2.1 实验数据 | 第50页 |
| 5.2.2 实验流程 | 第50-52页 |
| 5.3 实验结果 | 第52-56页 |
| 5.3.1 结果分类 | 第52-53页 |
| 5.3.2 结果分析 | 第53-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 攻读学位期间发表的学术论文目录 | 第64页 |