基于聚类技术的校园网络用户行为数据分析研究
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 网络用户行为的国内外研究现状 | 第10页 |
| 1.2.2 聚类算法的相关研究现状 | 第10-11页 |
| 1.3 本文主要研究内容 | 第11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第二章 校园网络用户及用户行为分析概述 | 第13-17页 |
| 2.1 校园网络用户 | 第13-14页 |
| 2.1.1 校园网络用户的概念及特点 | 第13页 |
| 2.1.2 校园网络用户兴趣 | 第13-14页 |
| 2.1.3 校园网络用户分类 | 第14页 |
| 2.2 校园网络用户行为 | 第14-16页 |
| 2.2.1 校园网络用户行为概念及特点 | 第14-15页 |
| 2.2.2 用户行为分析数据采集 | 第15-16页 |
| 2.3 本章小节 | 第16-17页 |
| 第三章 校园网络用户行为分析的挖掘技术及数据处理 | 第17-31页 |
| 3.1 数据挖掘 | 第17-20页 |
| 3.1.1 数据挖掘的概念及目的 | 第17页 |
| 3.1.2 数据挖掘方法 | 第17-19页 |
| 3.1.3 数据挖掘流程 | 第19-20页 |
| 3.2 数据预处理 | 第20-23页 |
| 3.2.1 数据预处理的重要意义 | 第20页 |
| 3.2.2 数据清洗 | 第20-22页 |
| 3.2.3 数据规约 | 第22页 |
| 3.2.4 数据集成和数据变换 | 第22-23页 |
| 3.3 聚类分析 | 第23-25页 |
| 3.3.1 聚类的概念 | 第23-24页 |
| 3.3.2 聚类分析算法特点 | 第24页 |
| 3.3.3 聚类分析算法分类 | 第24-25页 |
| 3.4 K-means聚类算法 | 第25-30页 |
| 3.4.1 K-means算法基本概述 | 第25-26页 |
| 3.4.2 K-means算法的基本原理和思想 | 第26-27页 |
| 3.4.3 K-means聚类算分析 | 第27-28页 |
| 3.4.4 K-means聚类算法的优缺点 | 第28-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 校园网用户行为分析的设计方案 | 第31-35页 |
| 4.1 校园网络简介 | 第31页 |
| 4.2 校园网用户行为分析的设计 | 第31-33页 |
| 4.3 H3C及检测系统后台数据库概述 | 第33页 |
| 4.4 校园网络用户流量使用走势 | 第33-35页 |
| 第五章 用户兴趣矩阵相似度算法 | 第35-41页 |
| 5.1 校园网用户行为相关问题定义 | 第35-37页 |
| 5.1.1 网络使用量的表示及相关概念 | 第35-36页 |
| 5.1.2 校园网用户行为活跃度 | 第36-37页 |
| 5.2 兴趣矩阵相似度算法(IMSA) | 第37-40页 |
| 5.2.1 网络用户兴趣度矩阵的构造 | 第37-39页 |
| 5.2.2 网络用户行为相似度的计算 | 第39-40页 |
| 5.3 本章小结 | 第40-41页 |
| 第六章 校园网络用户行为的实验分析 | 第41-45页 |
| 6.1 实验步骤 | 第41-42页 |
| 6.2 实验结果及分析 | 第42-44页 |
| 6.2.1 活跃度临界值的实验及影响 | 第42页 |
| 6.2.2 异常率的临界值的实验及影响 | 第42-43页 |
| 6.2.3 基于兴趣度矩阵的聚类 | 第43-44页 |
| 6.3 本章小结 | 第44-45页 |
| 第七章 总结与展望 | 第45-47页 |
| 7.1 总结 | 第45-46页 |
| 7.2 展望 | 第46-47页 |
| 参考文献 | 第47-49页 |
| 攻读硕士学位期间的主要成果 | 第49-50页 |
| 致谢 | 第50页 |
