| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 数据挖掘在图书馆领域的研究现状 | 第12-13页 |
| 1.2.2 图书荐购的研究现状 | 第13-15页 |
| 1.3 研究目标和内容 | 第15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第2章 相关算法及技术 | 第17-28页 |
| 2.1 聚类算法 | 第17-22页 |
| 2.1.1 聚类定义 | 第17-18页 |
| 2.1.2 距离和相似性度量 | 第18-19页 |
| 2.1.3 常用聚类算法介绍 | 第19-22页 |
| 2.3 分词技术的介绍 | 第22-24页 |
| 2.3.1 分词的定义 | 第22-23页 |
| 2.3.2 常用的分词工具 | 第23-24页 |
| 2.4 字符串匹配算法 | 第24-27页 |
| 2.4.1 字符串匹配的定义 | 第24-25页 |
| 2.4.2 常用的匹配算法 | 第25-27页 |
| 2.5 章节小结 | 第27-28页 |
| 第3章 一种优化初始聚类中心选取的K-means算法 | 第28-37页 |
| 3.1 传统K-means算法 | 第28-30页 |
| 3.1.1 传统K-means算法简介 | 第28页 |
| 3.1.2 传统K-means算法步骤描述 | 第28-30页 |
| 3.2 传统K-means算法不足 | 第30-31页 |
| 3.3 一种优化初始聚类中心选取的K-means算法 | 第31-33页 |
| 3.3.1 改进的K-means算法的思想 | 第31页 |
| 3.3.2 改进后算法流程 | 第31-32页 |
| 3.3.3 改进算法的具体步骤 | 第32-33页 |
| 3.4 算法实验分析 | 第33-36页 |
| 3.4.1 实验环境 | 第33页 |
| 3.4.2 实验数据 | 第33-34页 |
| 3.4.3 实验结果分析 | 第34-36页 |
| 3.5 章节小结 | 第36-37页 |
| 第4章 基于改进K-means算法的活跃书籍挖掘过程 | 第37-49页 |
| 4.1 活跃书籍挖掘过程 | 第37-38页 |
| 4.2 数据准备阶段 | 第38-41页 |
| 4.3 数据处理阶段 | 第41-46页 |
| 4.3.1 数据预处理 | 第42-44页 |
| 4.3.2 图书特征项的提取及其相关算法 | 第44-46页 |
| 4.4 基于聚类算法的数据挖掘 | 第46页 |
| 4.5 活跃书籍结果分析 | 第46-48页 |
| 4.5.1 K-means算法改进的实验结果比较 | 第46-48页 |
| 4.5.2 活跃书籍结果分析 | 第48页 |
| 4.6 章节小结 | 第48-49页 |
| 第5章 基于数据挖掘的图书荐购模型实现及应用 | 第49-66页 |
| 5.1 基于数据挖掘的图书荐购模型 | 第49-51页 |
| 5.2 模型构建流程 | 第51-52页 |
| 5.3 模型的应用 | 第52-55页 |
| 5.3.1 数据采集 | 第52-53页 |
| 5.3.2 数据处理 | 第53-54页 |
| 5.3.3 数据挖掘 | 第54页 |
| 5.3.4 匹配荐购书单 | 第54页 |
| 5.3.5 图书荐购模型验证与分析 | 第54-55页 |
| 5.4 荐购指数的分析与计算方法 | 第55-59页 |
| 5.4.1 与荐购指数相关因素分析 | 第55-57页 |
| 5.4.2 荐购指数计算处理方法 | 第57-58页 |
| 5.4.3 推理步骤 | 第58-59页 |
| 5.5 图书荐购决策支持系统实现 | 第59-65页 |
| 5.5.1 系统需求分析 | 第59页 |
| 5.5.2 系统流程 | 第59-60页 |
| 5.5.3 系统实现 | 第60-65页 |
| 5.6 章节小结 | 第65-66页 |
| 第6章 结论与展望 | 第66-68页 |
| 6.1 工作总结 | 第66页 |
| 6.2 研究展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 攻读学位期间参加的科研项目和成果 | 第73页 |
