| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 目录 | 第9-12页 |
| 第一章 绪论 | 第12-32页 |
| ·研究的目的和意义 | 第12-14页 |
| ·数据流分类挖掘的要求和挑战 | 第14-15页 |
| ·数据流分析的理论方法 | 第15-16页 |
| ·基于数据的技术 | 第15-16页 |
| ·基于任务的技术 | 第16页 |
| ·数据流研究现状 | 第16-18页 |
| ·数据流分类算法 | 第18-24页 |
| ·在线方法 | 第19-21页 |
| ·组合分类器方法 | 第21-24页 |
| ·概念漂移处理 | 第24-28页 |
| ·概念漂移处理的理论方法 | 第24-25页 |
| ·概念漂移的类型 | 第25页 |
| ·概念漂移的处理方法 | 第25-27页 |
| ·数据流测试数据集 | 第27-28页 |
| ·数据流分类分析面临的主要问题 | 第28页 |
| ·本文的研究工作 | 第28-31页 |
| ·本文的组织 | 第31-32页 |
| 第二章 挖掘数据流中的重现背景 | 第32-47页 |
| 引言 | 第32-33页 |
| ·相关工作 | 第33-34页 |
| ·数据流历史模型的建立 | 第34页 |
| ·分类模型 | 第34-35页 |
| ·背景延续时间 | 第35页 |
| ·概念等价性 | 第35-37页 |
| ·学习概念变化模式 | 第37-38页 |
| ·学习时间模式 | 第38-40页 |
| ·识别和处理重现背景的算法(RTRC) | 第40-42页 |
| ·实验结果与讨论 | 第42-46页 |
| ·STAGGER数据集 | 第42-44页 |
| ·移动的超平面数据集 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第三章 识别数据流中的噪音和难点 | 第47-63页 |
| 引言 | 第47页 |
| ·相关工作 | 第47-49页 |
| ·区分噪音和难点 | 第49-51页 |
| ·使用聚类方法挖掘难点和噪音实例 | 第51-53页 |
| ·概念漂移发现 | 第53-54页 |
| ·分类算法设计 | 第54-56页 |
| ·实验结果与讨论 | 第56-61页 |
| ·移动的超平面数据集 | 第57-60页 |
| ·信用卡欺诈数据集 | 第60-61页 |
| ·本章小节 | 第61-63页 |
| 第四章 基于相反分类器的数据流挖掘方法 | 第63-72页 |
| 引言 | 第63页 |
| ·相关工作 | 第63-64页 |
| ·相反分类器及分类器精度赋权公式 | 第64-66页 |
| ·IWB(Improved Weighted Bagging)算法 | 第66-68页 |
| ·实验结果 | 第68-70页 |
| ·本章小结 | 第70-72页 |
| 第五章 未知真实类标记下的变化发现 | 第72-81页 |
| 引言 | 第72页 |
| ·相关工作 | 第72-73页 |
| ·变化发现方法设计 | 第73-76页 |
| ·数据流中的变化分析 | 第73-74页 |
| ·使用累积和控制图来发现变化 | 第74-75页 |
| ·数据流中的变化发现步骤 | 第75-76页 |
| ·实验结果与分析 | 第76-80页 |
| ·本章小节 | 第80-81页 |
| 第六章 WEB社群挖掘 | 第81-89页 |
| 引言 | 第81页 |
| ·相关工作 | 第81-82页 |
| ·二部图及社群 | 第82-83页 |
| ·算法设计与分析 | 第83-87页 |
| ·收集相关页 | 第83-84页 |
| ·寻找正例样品 | 第84-86页 |
| ·分类 | 第86-87页 |
| ·实验结果 | 第87-88页 |
| ·本章小结 | 第88-89页 |
| 第七章 基于序列关联规则的WEB日志预测精度研究 | 第89-98页 |
| 引言 | 第89页 |
| ·相关工作 | 第89-90页 |
| ·算法设计和分析 | 第90-94页 |
| ·实验结果 | 第94-97页 |
| ·本章小结 | 第97-98页 |
| 第八章 结论与展望 | 第98-101页 |
| ·总结和结论 | 第98-100页 |
| ·未来的研究工作 | 第100-101页 |
| 参考文献 | 第101-112页 |
| 致谢 | 第112-113页 |
| 作者在学期间发表论文情况 | 第113-115页 |
| 一、以第一作者发表 | 第113-114页 |
| 二、以非第一作者发表 | 第114-115页 |