基于WEB日志的用户行为分析与挖掘
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 第一章 绪论 | 第10-15页 |
| ·研究背景 | 第10-12页 |
| ·研究现状 | 第12-13页 |
| ·研究意义和研究工作 | 第13-14页 |
| ·论文的结构 | 第14页 |
| ·本章小结 | 第14-15页 |
| 第二章 Web日志挖掘 | 第15-32页 |
| ·数据挖掘 | 第15-22页 |
| ·KDD和数据挖掘 | 第15-16页 |
| ·数据挖掘的分类 | 第16-22页 |
| ·Web挖掘 | 第22-25页 |
| ·Web挖掘概述 | 第22页 |
| ·Web挖掘分类 | 第22-25页 |
| ·Web日志挖掘 | 第25页 |
| ·Web日志预处理 | 第25-28页 |
| ·数据清洗 | 第25-26页 |
| ·用户识别 | 第26-27页 |
| ·会话识别 | 第27页 |
| ·路径补充 | 第27-28页 |
| ·Web日志挖掘概述 | 第28-31页 |
| ·Web日志文件 | 第28-30页 |
| ·Web日志挖掘过程 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 关联规则挖掘 | 第32-35页 |
| ·引言 | 第32页 |
| ·关联规则的基本原理 | 第32-34页 |
| ·Apriori挖掘算法 | 第33-34页 |
| ·最大前向引用序列(MFR) | 第34页 |
| ·本章小结 | 第34-35页 |
| 第四章 基于聚类的用户行为挖掘 | 第35-39页 |
| ·用户行为分析概述 | 第35页 |
| ·聚类分析 | 第35-38页 |
| ·K—平均法(K-means) | 第35-36页 |
| ·基于元数据的聚类 | 第36页 |
| ·基于图论的聚类 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第五章 提高聚类算法准确度方面的改进 | 第39-46页 |
| ·权重与相似度函数的改进 | 第39-40页 |
| ·传统聚类算法的缺陷 | 第39页 |
| ·改进的相似度模型 | 第39-40页 |
| ·基于事件检测方面的改进 | 第40-45页 |
| ·传统事件检测方法的缺陷 | 第41-42页 |
| ·离散傅里叶变换 | 第42-43页 |
| ·移动平均数(Moving Average) | 第43-44页 |
| ·突发性事件检测 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第六章 实验结果分析与评价 | 第46-52页 |
| ·实验数据 | 第46页 |
| ·实验环境 | 第46页 |
| ·结果分析 | 第46-50页 |
| ·聚类准确度评价 | 第46-49页 |
| ·事件检测准确度评价 | 第49-50页 |
| ·本章小结 | 第50-52页 |
| 第七章 总结与展望 | 第52-54页 |
| ·全文总结 | 第52-53页 |
| ·工作展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 攻读学位期间的研究成果目录 | 第57-58页 |
| 附录 主要缩略词中英文对照 | 第58-59页 |
| 致谢 | 第59页 |
