基于WUM的个性化智能推荐技术研究
| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-9页 |
| 第一章 绪言 | 第9-14页 |
| ·论文的选题背景和意义 | 第9-11页 |
| ·本文主要研究内容 | 第11-13页 |
| ·WEB访问挖掘及其预处理方法 | 第12页 |
| ·WEB事务模式聚类方法 | 第12-13页 |
| ·基于WEB访问挖掘的智能在线个性化推荐服务 | 第13页 |
| ·本文内容安排 | 第13-14页 |
| 第二章 相关研究技术及动态 | 第14-27页 |
| ·数据挖掘技术 | 第14-18页 |
| ·数据挖掘技术概述 | 第14-15页 |
| ·数据挖掘技术研究现状 | 第15-16页 |
| ·挖掘任务及挖掘方法 | 第16-17页 |
| ·数据挖掘发展趋势 | 第17-18页 |
| ·WEB数据挖掘 | 第18-21页 |
| ·WEB挖掘概述 | 第18-19页 |
| ·WEB挖掘的分类 | 第19-21页 |
| ·WEB使用记录挖掘 | 第21-27页 |
| ·WEB使用记录挖掘的对象 | 第21-22页 |
| ·WEB使用记录挖掘的分类 | 第22-23页 |
| ·WEB使用记录挖掘技术及基本流程 | 第23-27页 |
| 第三章 WEB访问挖掘的预处理 | 第27-49页 |
| ·WEB使用记录挖掘的预处理流程 | 第27-28页 |
| ·访问log文件的数据格式 | 第28-30页 |
| ·数据精化 | 第30-32页 |
| ·用户识别 | 第32-34页 |
| ·访问操作的识别 | 第34-35页 |
| ·路径完善 | 第35-37页 |
| ·事务模式识别 | 第37-45页 |
| ·一般模型 | 第37-38页 |
| ·基于引用时长的事务模式识别 | 第38-43页 |
| ·基于最大前向访问路径的事务模式识别 | 第43-44页 |
| ·基于时间窗的事务模式识别 | 第44-45页 |
| ·WEB访问挖掘预处理实验 | 第45-48页 |
| ·小结 | 第48-49页 |
| 第四章 用户事务模式聚类 | 第49-63页 |
| ·概述 | 第49-50页 |
| ·基于最大前向访问事务模式的相似度计算 | 第50-52页 |
| ·用户事务模式的预处理 | 第50-51页 |
| ·最大前向访问事务模式的URL相似度矩阵 | 第51-52页 |
| ·用户内容事务模式的相似度计算 | 第52-56页 |
| ·引文耦合和同被引概念 | 第53页 |
| ·用户内容事务模式的URL相似度矩阵 | 第53-56页 |
| ·用户事务模式聚类 | 第56-59页 |
| ·基本流程 | 第56页 |
| ·动态层次索引树的递归聚类算法 | 第56-58页 |
| ·用户事务聚类模式性能评估 | 第58-59页 |
| ·实验结果分析 | 第59-61页 |
| ·实验数据 | 第59页 |
| ·聚类实验结果分析 | 第59-61页 |
| ·小结 | 第61-63页 |
| 第五章 基于WUM的个性化智能推荐服务 | 第63-82页 |
| ·概述 | 第63-64页 |
| ·基于WEB访问挖掘的个性化智能推荐服务过程 | 第64-65页 |
| ·离线处理 | 第65-70页 |
| ·从WEB事务空间中发现频繁项和关联规则 | 第66-69页 |
| ·相关定义 | 第66-67页 |
| ·聚集树的生成算法 | 第67-69页 |
| ·URL聚类模式生成 | 第69-70页 |
| ·在线个性化智能推荐服务 | 第70-76页 |
| ·基于关联规则的个性化智能推荐服务算法 | 第71-74页 |
| ·基于URL聚类模式的个性化智能推荐服务算法 | 第74-76页 |
| ·实验结果与讨论 | 第76-81页 |
| ·基于关联规则挖掘的个性化智能推荐服务实验 | 第77-79页 |
| ·基于URL聚类模式的个性化智能推荐服务实验 | 第79-81页 |
| ·小结 | 第81-82页 |
| 第六章 全文总结与展望 | 第82-85页 |
| ·本文的主要工作 | 第82页 |
| ·本文的主要贡献 | 第82-83页 |
| ·进一步的研究 | 第83-85页 |
| 参考文献 | 第85-89页 |
| 致谢 | 第89-90页 |
| 在读期间发表的论文和从事的科研项目 | 第90页 |
