基于动态关联规则的网络用户行为分析
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 引言 | 第9-12页 |
| 1.1 研究的背景和意义 | 第9-10页 |
| 1.2 研究的内容和创新 | 第10-11页 |
| 1.3 本文的组织结构 | 第11-12页 |
| 2 Web挖掘技术 | 第12-18页 |
| 2.1 Web挖掘的含义及意义 | 第12页 |
| 2.2 三种重要的Web挖掘 | 第12-15页 |
| 2.3 Web挖掘的数据来源 | 第15-17页 |
| 2.4 本章小结 | 第17-18页 |
| 3 关联规则挖掘 | 第18-32页 |
| 3.1 关联规则的基本概念 | 第18-19页 |
| 3.2 关联规则挖掘的过程 | 第19-20页 |
| 3.3 关联规则挖掘算法 | 第20-23页 |
| 3.3.1 Apriori算法 | 第20-22页 |
| 3.3.2 FP-Growth算法 | 第22-23页 |
| 3.4 动态关联规则挖掘 | 第23-27页 |
| 3.4.1 动态关联规则的原定义 | 第23-24页 |
| 3.4.2 原定义存在的问题 | 第24-25页 |
| 3.4.3 动态关联规则的新定义 | 第25-26页 |
| 3.4.4 动态关联规则挖掘算法 | 第26-27页 |
| 3.5 动态关联规则兴趣度挖掘 | 第27-31页 |
| 3.5.1 兴趣度描述 | 第27-28页 |
| 3.5.2 基于兴趣度的动态关联规则挖掘算法 | 第28-31页 |
| 3.6 本章小结 | 第31-32页 |
| 4 基于动态关联规则的客户行为建模 | 第32-43页 |
| 4.1 客户访问分类和行为模型 | 第32-34页 |
| 4.1.1 客户访问分类 | 第32页 |
| 4.1.2 常用行为模型 | 第32-34页 |
| 4.2 回归分析原理 | 第34-37页 |
| 4.2.1 线性回归 | 第34-35页 |
| 4.2.2 灰色线性回归 | 第35-37页 |
| 4.3 客户-网购商品关联模型 | 第37-39页 |
| 4.3.1 建模思想 | 第37-38页 |
| 4.3.2 建模过程 | 第38-39页 |
| 4.4 模型验证 | 第39-42页 |
| 4.5 本章小结 | 第42-43页 |
| 5 实例分析 | 第43-53页 |
| 5.1 数据源 | 第43页 |
| 5.2 分析目标 | 第43页 |
| 5.3 数据分析流程 | 第43-44页 |
| 5.3.1 数据分析流程图 | 第43-44页 |
| 5.3.2 各步骤含义 | 第44页 |
| 5.4 数据分析过程 | 第44-48页 |
| 5.4.1 目标属性和条件属性选择 | 第44页 |
| 5.4.2 对数据进行预处理 | 第44-45页 |
| 5.4.3 数据离散化 | 第45-48页 |
| 5.4.4 数据分块 | 第48页 |
| 5.5 规则挖掘 | 第48-52页 |
| 5.5.1 动态关联规则挖掘 | 第48-49页 |
| 5.5.2 用户行为分析 | 第49-52页 |
| 5.6 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读学位期间的研究成果 | 第58页 |
