随着互联网与电子商务的快速发展，网站产生的点击、商品、交易等数据呈现海量数据式增长。淘宝网（taobao.com）中的页面每天点击超过2亿次以上，商品成交超过5000万次/天。巨大的访问量带来了巨大的浏览记录与交易记录，挖掘这些记录中蕴含的用户信息成为时下网站建设者们最迫切的需求。点击流是用户在一个Session会话内点击URL链接而被记录的访问路径，挖掘点击流数据可以发现商品频繁点击序列，并尝试从点击流的角度优化个性化商品推荐算法。MapReduce计算模式是目前主流较为稳定的分布式计算平台，本文充分利用MapReduce在矩阵运算与聚合运算上的优势，改进传统挖掘算法在分布式环境下的数据共享、中间知识集吸收等问题，从而解决海量数据挖掘瓶颈，获得挖掘效率的提升。本文的主要工作和创新点如下：首先，本文使用HDFS构建的数据仓库+MapReduce实现开源分布式数据挖掘框架，采用自定义文本方式存储海量点击数据，使用MapReduce计算模式实现数据集的投影、选择、并、交、叉、连接等数据集操作，进而实现在HDFS中进行数据的清洗与预处理操作。其次，本文提出在MapReduce数据操作基础上使用点击树来还原一个完整Session会话内的用户点击路径，真正反映用户最原始的点击动机。在这基础之上优化原始BIDE频繁序列模式挖掘算法，消除前缀树生长过程中的递归方式，使挖掘任务在2个MapReduce任务内就能完成。最后，本文尝试从点击流数据、用户长期偏好数据多维度优化个性化推荐算法，给出一个基于点击流的ItemCF综合推荐算法应用。算法基于用户点击模式与用户长期偏好特征，引入时间因子到项相似度计算中。最终利用逻辑回归模型综合模式融合多种维度特征，给出商品Top-N推荐值排名，实验结果表明综合推荐算法效果有显著提升。