随着信息技术的不断发展以及计算机应用的普及,越来越多的人们享受到了科技发展带来的丰厚成果,大数据分析平台如Hadoop为人们的衣食住行提供了丰富的信息应用,Facebook的社交网络好友推荐系统应用广泛,阿里巴巴的网购推荐系统已经深入我们的生活,而且近年来,随着大数据热潮的到来,基于大数据的机器学习更是在学术界以及工业界掀起了一波又一波的浪潮,如Google著名的项目Alphago围棋人工智能,打败了世界上许多著名的围棋高手。目前大数据技术的发展依然存在着许多问题,本文主要针对如何基于大数据分析平台在网络数据中获取特定场景下感兴趣的数据信息这样一个问题,展开了针对二种不同网络场景下的基于大数据分析平台的网络数据分析处理技术研究。论文的主要工作内容如下:1.针对网购平台上的海量数据处理问题,提出了一种针对物品交易预测的多模式信息推荐系统,通过结合Hadoop平台的并行处理技术和ADMM推荐算法相结合,提高了推荐系统应对多模式数据的能力,仿真结果表明基于Hadoop平台的ADMM推荐算法在相应的训练策略下,可以具有处理多模式数据的能力,性能比ALS推荐算法效果更好。2.针对视频游戏通关训练过程中角色状态的海量信息问题,分别针对通关率和通关速度,研究并提出了两种训练策略。首先,提出了一种基于深度增强学习的关键区域训练策略,提高了网络视频游戏的角色通关率;其次,提出了一种基于进化神经网络的训练策略,通过计算候选数优化角色训练的初始条件,从而加快角色通关的速度。仿真结果表明基于深度增强学习模型中加入关键区域训练策略能够充分利用游戏的图像信息,同时基于进化神经网络的模型中,加入候选数的快速训练策略能够提高训练速度。