| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 1 引言 | 第9-15页 |
| ·智能信息检索的提出 | 第9页 |
| ·传统的信息检索技术存在的主要问题 | 第9-10页 |
| ·智能信息检索的几个主要特征 | 第10页 |
| ·基于概念的信息检索 | 第10页 |
| ·个性化服务 | 第10页 |
| ·信息的合理分类、聚类 | 第10页 |
| ·Web 挖掘技术及其对智能信息检索的支持 | 第10-12页 |
| ·数据挖掘 | 第10-11页 |
| ·Web 挖掘 | 第11-12页 |
| ·分类、聚类对信息检索的支持 | 第12页 |
| ·聚类算法的国内外研究现状 | 第12-13页 |
| ·基于划分的聚类算法国内外研究现状 | 第12-13页 |
| ·基于密度的聚类算法国内外研究现状 | 第13页 |
| ·论文的结构和可能的创新点 | 第13-15页 |
| ·论文的结构 | 第13-14页 |
| ·可能的创新点 | 第14-15页 |
| 2 支持智能信息检索技术的 Web 日志挖掘数据预处理技术的研究 | 第15-23页 |
| ·Web 日志预处理 | 第15-17页 |
| ·Web 数据源 | 第15-16页 |
| ·Web 日志数据的特点 | 第16-17页 |
| ·Web 日志数据预处理的过程以及实现 | 第17-22页 |
| ·数据清洗 | 第18页 |
| ·用户识别 | 第18-19页 |
| ·会话识别 | 第19-21页 |
| ·路径补充 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 3 聚类分析技术 | 第23-33页 |
| ·聚类分析概述 | 第23-24页 |
| ·聚类分析中的数据结构和数据类型 | 第24-28页 |
| ·聚类分析中的数据结构 | 第24-25页 |
| ·聚类分析中的数据类型 | 第25-28页 |
| ·传统的聚类算法 | 第28-32页 |
| ·划分方法 | 第28-29页 |
| ·层次方法 | 第29-30页 |
| ·密度方法 | 第30页 |
| ·网格方法 | 第30-31页 |
| ·几种常见算法的性能比较 | 第31-32页 |
| ·聚类在数据挖掘中的应用 | 第32页 |
| ·本章小结 | 第32-33页 |
| 4 聚类算法的改进 | 第33-45页 |
| ·传统k-means 聚类算法 | 第33-35页 |
| ·传统k-means 聚类算法基本思想 | 第33-34页 |
| ·传统K-means 聚类算法的优缺点 | 第34-35页 |
| ·改进算法的研究和实现 | 第35-37页 |
| ·对初始聚类中心点的改进方案 | 第35页 |
| ·几个基本概念描述 | 第35页 |
| ·改进算法的基本思想及流程图 | 第35-37页 |
| ·基于密度的k-means 聚类算法 | 第37-39页 |
| ·基于密度k-means 聚类算法相关定义和概念 | 第38页 |
| ·基于密度的初始聚类中心点选取方法基本思想及流程图 | 第38页 |
| ·基于密度的初始聚类中心点选取算法性能分析 | 第38-39页 |
| ·基于均衡化函数的K-means 优化算法 | 第39-41页 |
| ·一种新的评价函数-均衡化函数 | 第39-40页 |
| ·基于均衡化函数的K-means 优化算法 | 第40页 |
| ·基于均衡化函数的K-means 优化算法性能分析 | 第40-41页 |
| ·基于密度的聚类方法DBSCAN | 第41-44页 |
| ·DBSCAN 算法的基本思想 | 第41页 |
| ·DBSCAN 算法的优缺点 | 第41页 |
| ·DBSCAN 算法的描述 | 第41-42页 |
| ·DBSCAN 算法的改进思路 | 第42-43页 |
| ·DBSCAN 算法 Minpts 参数、Eps 参数的自适应判定 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 5 结论和结论分析 | 第45-49页 |
| ·实验一及分析 | 第45-46页 |
| ·实验二及分析 | 第46-49页 |
| ·初始中心点实验结果 | 第47-48页 |
| ·均衡化函数实验结果 | 第48-49页 |
| 6 总结和展望 | 第49-50页 |
| ·总结 | 第49页 |
| ·展望 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 作者简介 | 第54页 |
