| 摘要 | 第1-7页 |
| ABSTRACT | 第7-14页 |
| 第一章 绪论 | 第14-28页 |
| ·研究背景、目的及意义 | 第14-19页 |
| ·研究背景 | 第14-16页 |
| ·WEB 使用挖掘面临的挑战与不足 | 第16-18页 |
| ·研究的目的和意义 | 第18-19页 |
| ·研究的理论基础 | 第19-23页 |
| ·粒计算 | 第19-20页 |
| ·粒计算统一框架下的相关理论 | 第20-23页 |
| ·本文工作 | 第23-28页 |
| ·论文的研究思路 | 第23-25页 |
| ·本文的主要研究内容及创新点 | 第25-28页 |
| 第二章 研究综述 | 第28-55页 |
| ·引言 | 第28-29页 |
| ·Web 使用挖掘国内外的研究现状 | 第29-44页 |
| ·挖掘流程研究 | 第29-30页 |
| ·重要概念 | 第30页 |
| ·数据收集 | 第30-33页 |
| ·数据预处理 | 第33-37页 |
| ·模式发现 | 第37-41页 |
| ·模式分析与应用 | 第41-44页 |
| ·数据挖掘中的粒计算 | 第44-49页 |
| ·粒计算基本概念 | 第44-46页 |
| ·知识约简 | 第46页 |
| ·聚类 | 第46-48页 |
| ·知识预测 | 第48-49页 |
| ·其他知识的挖掘 | 第49页 |
| ·WEB 使用挖掘中的粒计算 | 第49-51页 |
| ·新应用领域——信任管理 | 第51-53页 |
| ·基本概念 | 第51-52页 |
| ·研究现状 | 第52页 |
| ·主要方法 | 第52-53页 |
| ·本章小结 | 第53-55页 |
| 第三章 多粒度用户行为数据收集方法及预处理模型研究 | 第55-76页 |
| ·引言 | 第55-56页 |
| ·一种新的多粒度用户行为数据收集方法 | 第56-63页 |
| ·WEB 使用挖掘数据源分析 | 第56-57页 |
| ·多粒度用户行为数据的分析 | 第57-58页 |
| ·数据收集机制分析 | 第58-62页 |
| ·用户意向行为日志分析 | 第62-63页 |
| ·应用实例 | 第63页 |
| ·预处理模型 | 第63-71页 |
| ·数据清洗 | 第63-64页 |
| ·网站拓扑结构的混合获取方法 | 第64-65页 |
| ·用户识别 | 第65-67页 |
| ·会话识别 | 第67页 |
| ·路径补充 | 第67-70页 |
| ·事务识别算法 | 第70-71页 |
| ·底层框架 | 第71-72页 |
| ·实验设计与分析 | 第72-74页 |
| ·实验数据源 | 第72页 |
| ·实验设计与分析 | 第72-74页 |
| ·本章小结 | 第74-76页 |
| 第四章 基于知识粒度的高效完备属性约简算法研究 | 第76-102页 |
| ·引言 | 第76-78页 |
| ·多粒度的用户行为描述模型 | 第78-82页 |
| ·基于事务的用户浏览描述模型 | 第78-79页 |
| ·用户总体行为描述模型 | 第79-81页 |
| ·指标的多种形式 | 第81-82页 |
| ·一种改进的半模糊聚类算法 | 第82-84页 |
| ·3M 算法介绍 | 第82页 |
| ·改进的半模糊聚类算法3M+ | 第82-83页 |
| ·基于3M+算法的指标值离散化 | 第83-84页 |
| ·现有属性约简算法分析 | 第84-85页 |
| ·基于知识粒度的约简基础算法 | 第85-87页 |
| ·获取等价类算法 | 第85-86页 |
| ·获取正区域的算法 | 第86-87页 |
| ·基于知识粒度的高效完备属性约简算法 | 第87-92页 |
| ·正区域的渐增式计算 | 第87-88页 |
| ·高效完备的属性约简算法 | 第88页 |
| ·约简算法效率分析 | 第88-89页 |
| ·约简算法中的启发策略分析 | 第89-92页 |
| ·实验设计与分析 | 第92-101页 |
| ·用户行为描述模型的比较 | 第93-94页 |
| ·3M+算法的测试 | 第94-95页 |
| ·属性约简算法测试 | 第95-96页 |
| ·约简算法在两种日志中运算结果对比 | 第96-97页 |
| ·约简算法在两种描述模型中运算结果对比 | 第97-101页 |
| ·本章小结 | 第101-102页 |
| 第五章 基于知识粒度的 Web 用户聚类算法研究 | 第102-130页 |
| ·引言 | 第102-104页 |
| ·算法中的粒度原理及算法框架 | 第104-105页 |
| ·算法中的粒度原理 | 第104页 |
| ·算法总体框架 | 第104-105页 |
| ·基于维度稀疏分布度的相似性研究 | 第105-110页 |
| ·面向稀疏连续数据的相似性研究 | 第105-108页 |
| ·面向稀疏离散数据的相似度研究 | 第108页 |
| ·构造基于事务的相似矩阵 | 第108-109页 |
| ·构造用户总体行为的相似矩阵 | 第109页 |
| ·基于稀疏相似度的初始等价关系 | 第109-110页 |
| ·稀疏相似度阈值的选取 | 第110页 |
| ·可变精度的相似二次聚类模型 | 第110-112页 |
| ·聚类质量评价模型 | 第112-115页 |
| ·基于知识粒度的高属性维稀疏数据聚类算法 | 第115-117页 |
| ·稀疏连续数据聚类算法 | 第115页 |
| ·数据算例 | 第115-117页 |
| ·稀疏离散数据聚类算法 | 第117页 |
| ·基于知识粒度的综合多指标 Web 用户聚类算法 | 第117-119页 |
| ·单一指标的单项模糊聚类 | 第117页 |
| ·单一指标的多向综合模糊聚类 | 第117-118页 |
| ·直接多向综合模糊聚类 | 第118页 |
| ·多向综合模糊聚类 | 第118-119页 |
| ·实验及结果分析 | 第119-129页 |
| ·实验设计 | 第119-120页 |
| ·实验数据分析 | 第120-128页 |
| ·结论 | 第128-129页 |
| ·本章小结 | 第129-130页 |
| 第六章 基于 Web 用户行为日志挖掘的行为信任控制研究 | 第130-149页 |
| ·引言 | 第130-131页 |
| ·行为信任研究 | 第131-133页 |
| ·信任的特征 | 第131-132页 |
| ·度量信任的符号及计算方法 | 第132页 |
| ·信任模型 | 第132-133页 |
| ·两阶段信任计算方法 | 第133-136页 |
| ·计算方法 | 第133-134页 |
| ·计算方法的现实意义分析 | 第134-135页 |
| ·基于贝叶斯网络的预测 | 第135-136页 |
| ·基于贝叶斯网络和行为日志挖掘的行为信任控制 | 第136-142页 |
| ·行为信任预测与控制的总体设计 | 第136-138页 |
| ·用户行为日志说明 | 第138-140页 |
| ·基于贝叶斯网络的行为信任预测 | 第140页 |
| ·信任等级及描述 | 第140-141页 |
| ·用户行为信任的预测 | 第141-142页 |
| ·决策算法的设计 | 第142-144页 |
| ·信任等级的评定 | 第142-143页 |
| ·信任预测与控制决策算法 | 第143-144页 |
| ·基于半模糊聚类算法的信任区间确定 | 第144页 |
| ·实例分析 | 第144-145页 |
| ·实验及结果分析 | 第145-148页 |
| ·信任区间参数的调整 | 第145-147页 |
| ·行为信任模型数据分析 | 第147-148页 |
| ·本章小结 | 第148-149页 |
| 结论与展望 | 第149-153页 |
| 参考文献 | 第153-172页 |
| 攻读博士学位期间取得的研究成果 | 第172-174页 |
| 致谢 | 第174页 |