本研究聚焦于在Hadoop环境中数据挖掘算法的应用探索及优化实践，旨在提升大数据处理效率和分析深度。
随着移动智能操作系统技术的进步以及智能手机的普及,我们迎来了移动互联网时代。在这个背景下,每天产生的web应用日志数据量达到了TB甚至PB级规模。如何从这些海量的日志信息中提取出用户的个人偏好和其他重要信息，以便为用户提供个性化的推荐服务，并以此来改善人们的生活质量，成为了各大互联网公司和科研机构的研究热点。
由于开源云计算平台Hadoop的出现,使得处理大规模web日志数据的数据挖掘成为可能。本段落的主要研究内容包括以下几个方面：
一、对Hadoop云服务平台进行了深入探讨。作为Apache旗下的顶级开源项目,Hadoop能够利用成千上万台廉价计算机提供并行计算与存储服务。在这部分的研究中，主要关注了Hadoop平台下的分布式文件系统（HDFS）、并行编程模型MapReduce以及分布式的列型数据库(HBase)。
二、对聚类分析进行了研究。作为数据挖掘中最广泛应用的领域之一,本段落探讨了聚类分析的发展历程、定义及样本间的相似度测量方法，并详细介绍了几种常用的聚类算法。
三、基于Hadoop平台，设计并实现了一个用于数据分析的数据挖掘系统。该系统封装了底层的Hadoop接口，提供了多种聚类算法服务以供用户选择使用。系统的逻辑层次自顶向下依次为：用户层、服务引擎层、数据挖掘引擎层和底层的Hadoop驱动层。
四、对K-Means与PAM两种常见的聚类算法进行了深入研究分析。
5星
