| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-19页 |
| ·课题研究目的及意义 | 第8-9页 |
| ·课题的国内外研究现状 | 第9-11页 |
| ·数据挖掘相关技术介绍 | 第11-14页 |
| ·数据挖掘技术概述 | 第11-12页 |
| ·数据挖掘技术的定义 | 第12页 |
| ·数据挖掘技术的优势 | 第12-13页 |
| ·数据挖掘技术的分类 | 第13-14页 |
| ·课题研究的主要内容及数据准备 | 第14-17页 |
| ·课题研究的主要内容 | 第14-15页 |
| ·数据准备 | 第15-17页 |
| ·论文结构安排 | 第17-19页 |
| 2 聚类分析的相关技术及方法 | 第19-28页 |
| ·聚类分析概述 | 第19页 |
| ·聚类分析中的数据类型 | 第19-23页 |
| ·数据集合的表示及预处理 | 第19-21页 |
| ·间隔数值属性的差异计算 | 第21-23页 |
| ·聚类分析中的主要方法 | 第23-24页 |
| ·聚类分析性能评估 | 第24-25页 |
| ·聚类分析面临的主要问题 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 3 基于层次聚类算法的专业就业分类研究 | 第28-35页 |
| ·层次聚类概述 | 第28页 |
| ·层次聚类算法的聚类间距 | 第28-30页 |
| ·层次聚类算法流程 | 第30页 |
| ·挖掘结果及分析 | 第30-33页 |
| ·基于不同聚类间距的结果 | 第30-31页 |
| ·聚类间距为距离均值时的完整结果 | 第31-33页 |
| ·本章小结 | 第33-35页 |
| 4 基于层次聚类与Kmeans相融合的专业就业分类研究 | 第35-44页 |
| ·KMEANS算法概述 | 第35-36页 |
| ·基于典型Kmeans算法的专业就业分类 | 第36页 |
| ·Kmeans算法的主要问题及优化策略 | 第36-38页 |
| ·Kmeans算法的主要问题 | 第36-37页 |
| ·Kmeans算法的优化策略 | 第37-38页 |
| ·在专业就业分类中将两种算法相融合的应用研究 | 第38-43页 |
| ·融合算法的基本思想和算法流程 | 第38-40页 |
| ·挖掘结果及分析 | 第40-42页 |
| ·知识性表达 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 5 结论 | 第44-45页 |
| 参考文献 | 第45-47页 |
| 攻读学位期间发表的学术论文 | 第47-48页 |
| 致谢 | 第48-49页 |