不断发展的Web服务产生了海量的日志数据,这些数据繁杂甚至冗余,但却蕴藏着巨大的价值。它们真实的记录了用户行为,因而可以作为获取用户行为习惯的第一手资料。分析结果可以为企业精细化运营决策如针对性营销、个性化定制等方面提供准确的信息。数据挖掘研究是机器学习,自然语言处理,信息检索等学科的交叉学科,可以有效的从海量数据中提取信息,因而基于Web挖掘技术的用户行为分析对企业来说有着非常重要的意义。聚类分析是数据挖掘研究的主要技术之一,它可以发现数据中自然存在的模式。这种技术已经被普遍应用于金融,互联网,电信等行业,具有广泛的应用前景。将聚类分析应用于用户Web访问历史数据,可将用户的Web访问行为模式进行汇总概况,这种汇总概括的效果在大数据集的情况下更加明显。本文对常用聚类算法进行了理论分析,并选择合适的算法进行深入研究。之后针对高纬度数据带来的一系列问题,提出了基于量值的频繁闭项集层次聚类算法(CFICHQ),该算法解决维度压缩问题的同时可以更好地发现数据中的相似性。通过网络流量监测设备我们可以获取宽带网络用户Web访问的线网数据。本文旨在对这些数据进行综合分析,总结每种Web类型业务的统计规律和偏好特征,并进一步分析这些数据在一定时间范围内的特征和变化趋势。最后通过应用聚类算法,将用户按照对不同Web业务偏好的稳定性特征进行分群。通过对分组的描述来理解用户行为模式,并对所有分组的总体特点进行分析。