| 中文摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-11页 |
| ·研究背景与意义 | 第8-9页 |
| ·研究内容与论文组织结构 | 第9-11页 |
| 第二章 Web使用挖掘技术 | 第11-29页 |
| ·数据挖掘概述 | 第11-14页 |
| ·数据挖掘概念 | 第11页 |
| ·数据挖掘方法和技术 | 第11-13页 |
| ·数据挖掘过程 | 第13-14页 |
| ·Web挖掘技术 | 第14-17页 |
| ·Web使用挖掘 | 第17-20页 |
| ·Web使用挖掘流程 | 第17-19页 |
| ·模式发现算法 | 第19-20页 |
| ·序列模式挖掘 | 第20-27页 |
| ·序列模式的提出 | 第20页 |
| ·序列模式的相关概念及定义 | 第20-22页 |
| ·序列模式的主要算法 | 第22-27页 |
| ·Apriori算法 | 第22-25页 |
| ·GSP算法 | 第25-26页 |
| ·FP-Growth算法 | 第26-27页 |
| ·PrefixSpan算法 | 第27页 |
| ·Web使用挖掘方法在个性化学习系统中的应用 | 第27-28页 |
| ·改进系统性能 | 第28页 |
| ·完善站点结构 | 第28页 |
| ·提供智能化服务 | 第28页 |
| ·个性化需求设计 | 第28页 |
| ·小结 | 第28-29页 |
| 第三章 基于图结构的Web访问序列挖掘 | 第29-34页 |
| ·路径分析技术 | 第29-30页 |
| ·图结构模型 | 第30-31页 |
| ·生成最大向前路径 | 第31-32页 |
| ·挖掘频繁遍历路径 | 第32-33页 |
| ·小结 | 第33-34页 |
| 第四章 基于Web使用挖掘方法的个性化学习系统分析 | 第34-45页 |
| ·学习者访问模式的源数据收集 | 第34-39页 |
| ·服务器级采集 | 第35-37页 |
| ·应用服务器级数据采集 | 第37页 |
| ·客户级数据采集 | 第37-38页 |
| ·代理级数据采集 | 第38-39页 |
| ·学习者访问模式的数据预处理 | 第39-42页 |
| ·学习者识别 | 第39-41页 |
| ·会话识别 | 第41页 |
| ·路径修补 | 第41页 |
| ·事务识别 | 第41-42页 |
| ·格式化 | 第42页 |
| ·学习者访问模式发现 | 第42-43页 |
| ·路径分析 | 第42页 |
| ·关联规则 | 第42-43页 |
| ·序列模式 | 第43页 |
| ·分类 | 第43页 |
| ·聚类 | 第43页 |
| ·小结 | 第43-45页 |
| 第五章 基于Web使用挖掘方法的个性化学习系统设计与模型实现 | 第45-61页 |
| ·学习者兴趣建模 | 第45-48页 |
| ·资源和学习者兴趣的表示 | 第46-47页 |
| ·相似性分析 | 第47-48页 |
| ·个性化推荐算法 | 第48-51页 |
| ·基于内容过滤的推荐算法 | 第48-49页 |
| ·协同过滤的推荐算法 | 第49页 |
| ·基于内容过滤和协同过滤相结合的个性化推荐算法 | 第49-51页 |
| ·二者结合的优势 | 第51页 |
| ·个性化学习推荐系统原型实现 | 第51-58页 |
| ·实现推荐系统的标记语言—XML | 第51-53页 |
| ·主要的数据表 | 第53-54页 |
| ·个性化推荐系统流程 | 第54-55页 |
| ·关键推荐算法描述 | 第55-57页 |
| ·个性化推荐结果举例 | 第57-58页 |
| ·个性化学习网站模型 | 第58-60页 |
| ·小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 攻读学位期间公开发表的论文 | 第65-66页 |
| 致谢 | 第66-67页 |
| 详细摘要 | 第67-69页 |