基于ACO的Web使用挖掘方法研究
摘要 | 第1-10页 |
Abstract | 第10-13页 |
致谢 | 第13-19页 |
第一章 绪论 | 第19-26页 |
·研究背景 | 第19-21页 |
·Web个性化 | 第19页 |
·Web使用挖掘 | 第19-21页 |
·研究目的和意义 | 第21-22页 |
·研究内容及研究成果 | 第22-24页 |
·论文的结构安排 | 第24-26页 |
第二章 Web使用挖掘概述 | 第26-39页 |
·数据预处理 | 第26-28页 |
·模式发现 | 第28-36页 |
·统计分析 | 第28页 |
·聚类 | 第28-31页 |
·关联规则 | 第31-33页 |
·序列模式 | 第33-35页 |
·分类 | 第35-36页 |
·模式分析 | 第36-37页 |
·Web使用挖掘的应用 | 第37-38页 |
·Web个性化 | 第37-38页 |
·Web系统优化 | 第38页 |
·本章小结 | 第38-39页 |
第三章 蚁群算法及其收敛性分析 | 第39-59页 |
·基本蚁群算法的思想起源与算法描述 | 第39-43页 |
·思想起源 | 第39-40页 |
·基本蚁群算法描述 | 第40-43页 |
·蚁群算法模型 | 第43-44页 |
·蚁群算法的研究现状 | 第44-46页 |
·算法应用现状 | 第44-45页 |
·算法改进研究现状 | 第45页 |
·算法收敛性研究现状 | 第45-46页 |
·图搜索蚂蚁系统(GBAS)的收敛性分析 | 第46-48页 |
·GBAS的数学模型 | 第46-47页 |
·GBAS的收敛性分析 | 第47-48页 |
·GBAS的局限性 | 第48页 |
·一类改进的蚁群算法及其收敛性分析 | 第48-58页 |
·极小化问题的数学表示 | 第48-49页 |
·改进的蚁群算法描述 | 第49-52页 |
·算法收敛性分析 | 第52-57页 |
·实验结果 | 第57-58页 |
·本章小结 | 第58-59页 |
第四章 Web使用数据预处理及会话识别 | 第59-72页 |
·相关概念 | 第59页 |
·数据收集 | 第59-63页 |
·服务器端数据 | 第60-62页 |
·客户端数据 | 第62页 |
·代理服务器端数据 | 第62-63页 |
·数据净化 | 第63页 |
·用户识别 | 第63页 |
·基于自适应时间闽值的会话识别 | 第63-71页 |
·会话识别问题描述 | 第63-66页 |
·相关研究工作 | 第66-67页 |
·基于自适应时间阈值的会话识别方法 | 第67-69页 |
·实验结果 | 第69-71页 |
·本章小结 | 第71-72页 |
第五章 基于蚁群算法的用户兴趣导航路径模式挖掘 | 第72-84页 |
·引言 | 第72页 |
·用户导航模式研究现状 | 第72-74页 |
·用户浏览行为与蚁群觅食行为的相似性 | 第74-76页 |
·网站的基本模型 | 第74页 |
·群体用户导航模型 | 第74-76页 |
·基于蚁群算法的群体用户兴趣导航路径发现 | 第76-78页 |
·蚁群导航模型 | 第76-77页 |
·挖掘偏好导航路径的算法 | 第77-78页 |
·实验 | 第78页 |
·引入页面访问时间的用户导航模式挖掘 | 第78-83页 |
·页面访问时间 | 第79-80页 |
·引入页面访问时间的蚁群模型 | 第80-81页 |
·偏好导航路径的挖掘算法 | 第81-82页 |
·实验 | 第82-83页 |
·本章小结 | 第83-84页 |
第六章 基于混合蚁群算法的Web用户聚类 | 第84-97页 |
·引言 | 第84-85页 |
·相关工作 | 第85-86页 |
·蚁群聚类算法 | 第86-89页 |
·基于蚁堆形成原理的聚类算法 | 第86-88页 |
·基于蚂蚁觅食行为的聚类算法 | 第88-89页 |
·基于混合蚁群算法的聚类方法 | 第89-94页 |
·Web用户聚类的数学规划模型 | 第89-90页 |
·蚁群算法与K-means算法的融合思想 | 第90-92页 |
·算法流程 | 第92-94页 |
·实验 | 第94-96页 |
·面向用户聚类的数据预处理 | 第94-95页 |
·实验评价 | 第95页 |
·实验结果 | 第95-96页 |
·本章小结 | 第96-97页 |
第七章 总结与展望 | 第97-100页 |
·研究总结 | 第97-98页 |
·研究展望 | 第98-100页 |
参考文献 | 第100-110页 |
攻读博士学位期间参加的科研项目和发表的论文 | 第110-111页 |