基于web日志挖掘的广告模型的分析与设计
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第13-17页 |
| 1.1 研究背景及意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 论文主要研究内容及创新点 | 第14-15页 |
| 1.4 论文结构安排 | 第15-17页 |
| 2 日志挖掘与个性化推荐系统 | 第17-25页 |
| 2.1 数据挖掘的概论 | 第17-18页 |
| 2.1.1 数据挖掘的定义 | 第17页 |
| 2.1.2 数据挖掘的过程 | 第17-18页 |
| 2.2 web数据挖掘 | 第18-20页 |
| 2.3 个性化推荐系统 | 第20-25页 |
| 2.3.1 个性化推荐的的发展 | 第20-21页 |
| 2.3.2 个性化推荐技术 | 第21-25页 |
| 3 web日志预处理研究及改进 | 第25-35页 |
| 3.1 Web日志形成的过程 | 第25页 |
| 3.2 Web日志的文件格式 | 第25-26页 |
| 3.3 web日志的预处理过程 | 第26-34页 |
| 3.3.1 数据清洗 | 第26-28页 |
| 3.3.2 用户识别 | 第28-30页 |
| 3.3.3 会话识别 | 第30-31页 |
| 3.3.4 路径补充 | 第31-33页 |
| 3.3.5 事务识别 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 基于web日志的关联规则挖掘 | 第35-47页 |
| 4.1 关联规则的相关概念 | 第35-36页 |
| 4.2 关联规则的经典算法 | 第36-39页 |
| 4.2.1 Apriori算法 | 第37-39页 |
| 4.2.2 Apriori算法的局限性 | 第39页 |
| 4.3 Apriori算法的改进 | 第39-41页 |
| 4.3.1 加权关联规则的意义 | 第39-40页 |
| 4.3.2 加权关联规则的模型 | 第40-41页 |
| 4.3.3 传统加权关联规则算法的缺点 | 第41页 |
| 4.4 加权关联规则算法的改进 | 第41-45页 |
| 4.4.1 权值的设定 | 第42-43页 |
| 4.4.2 改进后的挖掘算法实现步骤 | 第43-44页 |
| 4.4.3 改进后的挖掘算法伪代码与说明 | 第44-45页 |
| 4.5 本章小结 | 第45-47页 |
| 5 个性化推荐系统模型设计 | 第47-63页 |
| 5.1 应用背景 | 第47-48页 |
| 5.1.1 数据来源网站背景 | 第47页 |
| 5.1.2 个性化推荐模型的嵌入 | 第47-48页 |
| 5.2 个性化网络广告推荐模型设计 | 第48-51页 |
| 5.2.1 个性化推荐模型结构详细分析 | 第48-49页 |
| 5.2.2 推荐模型功能分析 | 第49-50页 |
| 5.2.3 个性化推荐模型流程分析 | 第50-51页 |
| 5.3 个性化推荐模型模块设计 | 第51-55页 |
| 5.3.1 预处理模块 | 第51页 |
| 5.3.2 关联规则挖掘模块 | 第51-52页 |
| 5.3.3 推荐模块 | 第52-55页 |
| 5.4 后台数据库设计 | 第55-57页 |
| 5.5 实验及性能分析 | 第57-61页 |
| 5.6 本章小结 | 第61-63页 |
| 6 总结与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 作者简介及读研期间主要科研成果 | 第71页 |
