中文摘要 | 第1-5页 |
英文摘要 | 第5-9页 |
1 绪论 | 第9-14页 |
1.1 研究背景与意义 | 第9-10页 |
1.2 国内外有关用户模式发现的现状 | 第10-12页 |
1.2.1 用户访问模式的发现方法 | 第10-11页 |
1.2.2 现有用户模式挖掘系统的分类 | 第11-12页 |
1.3 论文的工作和组织结构 | 第12-13页 |
1.4 本章小结 | 第13-14页 |
2 Web挖掘技术 | 第14-25页 |
2.1 数据挖掘概述 | 第14-19页 |
2.1.1 什么是数据挖掘 | 第14页 |
2.1.2 数据挖掘使用的各种方法 | 第14-16页 |
2.1.3 数据挖掘的过程 | 第16页 |
2.1.4 数据挖掘的分类 | 第16-19页 |
2.2 Web数据挖掘 | 第19-24页 |
2.2.1 Web挖掘的定义 | 第19-20页 |
2.2.2 Web挖掘的对象 | 第20页 |
2.2.3 Web挖掘的难点 | 第20-21页 |
2.2.4 Web挖掘的分类 | 第21-24页 |
2.3 本章小结 | 第24-25页 |
3 web使用挖掘 | 第25-31页 |
3.1 web使用挖掘的应用 | 第25-27页 |
3.2 web使用挖掘的过程 | 第27-30页 |
3.2.1 数据预处理阶段 | 第28-29页 |
3.2.2 模式发现阶段 | 第29-30页 |
3.2.3 模式分析阶段 | 第30页 |
3.3 本章小结 | 第30-31页 |
4 Markov模型预测方法 | 第31-38页 |
4.1 预测方法概述 | 第31-32页 |
4.2 Markov模型 | 第32-35页 |
4.2.1 k阶Markov链基本概念 | 第32页 |
4.2.2 转移概率矩阵 | 第32-33页 |
4.2.3 利用Markov模型进行预测 | 第33-34页 |
4.2.4 K阶模型构造算法 | 第34-35页 |
4.3 混序Markov模型 | 第35-37页 |
4.4 本章小结 | 第37-38页 |
5 带访问倾向权重的Markov模型预测方法 | 第38-47页 |
5.1 用户浏览时间的离散化表示方法 | 第38-41页 |
5.1.1 为何进行离散化处理 | 第38页 |
5.1.2 值差分度量算法 | 第38-40页 |
5.1.3 运用值差分度量算法进行离散化处理 | 第40-41页 |
5.2 带访问倾向权重的Markov模型及其构造算法 | 第41-43页 |
5.2.1 访问倾向权重 | 第41-42页 |
5.2.2 模型及其构造算法 | 第42-43页 |
5.3 改进后的预测算法 | 第43-44页 |
5.4 Markov模型K值的选定 | 第44-45页 |
5.5 模拟实验 | 第45-46页 |
5.6 本章小结 | 第46-47页 |
6 web用户访问模式挖掘系统 | 第47-50页 |
6.1 问题的提出 | 第47页 |
6.2 系统概述及框架 | 第47-48页 |
6.3 本章小结 | 第48-50页 |
7 总结 | 第50-51页 |
7.1 论文工作总结 | 第50页 |
7.2 进一步研究 | 第50-51页 |
致谢 | 第51-52页 |
参考文献 | 第52-55页 |