随着信息技术的进步,人们在互联网上的信息交互变得越来越普遍,通过服务器的日志反馈机制,已经能很方便记录下用户的行为轨迹,在交互过程中产生的海量数据中,蕴含了非常多有价值的信息。面对快速增长的PB级海量数据,需要有效的收集,存储,分布式计算以及数据挖掘,才能充分发挥大数据的价值。本论文课题来源于作者参与的实验室和某互联网公司的合作项目,是基于数据仓库技术和Hadoop运算平台,通过改进k-means聚类算法对用户行为进行研究,主要包括以下内容：(1)对Hadoop分布式系统基础架构以及数据仓库体系进行了介绍,通过Hbase的分布式存储和mapreduce的分布式计算,可以实现海量数据的高效处理与分析,在此基础上,对现有的音乐数据仓库体系结构进行详尽的分析,包括体系结构,ETL过程,主题划分,维度表结构等,以及音乐元数据管理系统的框架设计。(2)对各类聚类分析算法进行了介绍与比对,在考虑Hive音乐数据仓库的数据量和时效性等特点后选取了K-means算法,并在流量清洗,初值选取,孤立点去除3方面算法优化与改进。并通过Hadoop集群的平均运行时间与算法迭代次数来进行性能分析与算法评估,优化后效率提升约45%,在实际工作中已可用。(3)通过数据仓库用户行为多维模型的聚类分析,从用户层面来帮助分析人员得到更为精确和有效的产品评价指标和用户评价指标,主要在整体用户质量评价,活跃用户二次聚类分析,用户质量历史轨迹图这三方面,充分对用户簇集进行数据挖掘,为产品运营提供决策,有助于音乐企业及时地掌握和研究用户的总体变化,为不同类型的音乐用户提供更有针对性地个性化服务,最终增大音乐企业的利润和市场份额。