移动数据的智能分析与隐私保护
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第6-9页 |
| CONTENT | 第9-12页 |
| 第一章 绪论 | 第12-18页 |
| ·引言 | 第12页 |
| ·研究背景 | 第12-13页 |
| ·研究意义 | 第13-14页 |
| ·国内外研究现状 | 第14-15页 |
| ·主要研究内容与思路 | 第15-18页 |
| ·研究目标 | 第15页 |
| ·研究内容及拟解决关键问题 | 第15-16页 |
| ·研究方法 | 第16页 |
| ·技术路线与创新性 | 第16-18页 |
| 第二章 数据挖掘隐私保护的扰动分析理论 | 第18-31页 |
| ·移动数据 | 第18-19页 |
| ·移动数据的分类 | 第18页 |
| ·移动数据的特征 | 第18-19页 |
| ·数据挖掘理论 | 第19-25页 |
| ·数据挖掘的起源和发展 | 第19-20页 |
| ·数据挖掘的本质 | 第20-21页 |
| ·数据挖掘的功能与方法 | 第21-24页 |
| ·数据挖掘在本文中的主要商业应用 | 第24-25页 |
| ·扰动分析理论的由来 | 第25-29页 |
| ·相关算法过程 | 第25页 |
| ·Rakesh Agrawal的扰动分析理论 | 第25-29页 |
| ·本章小结 | 第29-31页 |
| 第三章 基于隐私保护的来电提醒业务决策 | 第31-54页 |
| ·决策树理论与原理分析 | 第31-34页 |
| ·决策树理论 | 第32-33页 |
| ·构建决策树 | 第33页 |
| ·CHAID算法 | 第33-34页 |
| ·构建传统决策树模型 | 第34-48页 |
| ·移动数据的商业理解 | 第34-39页 |
| ·基于原始数据构建的决策树 | 第39-48页 |
| ·基于隐私保护的决策树模型构建 | 第48-51页 |
| ·对比两者分析结果及其结论 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第四章 基于隐私保护的业务推荐 | 第54-67页 |
| ·关联性分析理论与原理分析 | 第54-60页 |
| ·关联规则的提出和概念 | 第54-55页 |
| ·关联规则的发展 | 第55-56页 |
| ·关联规则的定义 | 第56-58页 |
| ·Apriori算法 | 第58-60页 |
| ·构建传统关联规则模型 | 第60-64页 |
| ·移动数据的商业理解 | 第60-61页 |
| ·基于原始数据构建的关联规则模型 | 第61-64页 |
| ·基于隐私保护的关联规则模型 | 第64-66页 |
| ·两个模型对比分析 | 第66页 |
| ·本章小结 | 第66-67页 |
| 第五章 基于隐私保护的客户细分问题 | 第67-86页 |
| ·聚类理论与原理分析 | 第67-76页 |
| ·聚类分析的基本概念 | 第68页 |
| ·移动数据聚类算法所要求的特性 | 第68-69页 |
| ·聚类分析中的基本数据类型 | 第69-71页 |
| ·聚类准则的确定 | 第71-72页 |
| ·主要聚类方法 | 第72-74页 |
| ·K-means聚类算法 | 第74-76页 |
| ·传统聚类模型下的移动数据商务分析 | 第76-82页 |
| ·对移动客户细分的商业理解 | 第76-77页 |
| ·基于原始数据的聚类模型 | 第77-82页 |
| ·基于隐私保护的新聚类模型 | 第82-84页 |
| ·模型对比 | 第84-85页 |
| ·本章小结 | 第85-86页 |
| 结论 | 第86-88页 |
| 参考文献 | 第88-91页 |
| 攻读学位期间发表的论文 | 第91-93页 |
| 致谢 | 第93页 |
