| 摘要 | 第6-7页 |
| abstract | 第7页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 相关研究工作 | 第10-12页 |
| 1.3 主要研究内容与创新点 | 第12页 |
| 1.4 论文组织结构 | 第12-15页 |
| 第二章 相关理论技术分析 | 第15-20页 |
| 2.1 Petri网及其性质 | 第15-17页 |
| 2.2 日志建模技术 | 第17页 |
| 2.2.1 Log4J | 第17页 |
| 2.2.2 AOP | 第17页 |
| 2.3 相似度计算方法 | 第17-18页 |
| 2.4 聚类的主要方法 | 第18-19页 |
| 2.5 小结 | 第19-20页 |
| 第三章 基于Petri网的电商用户访问行为相似度分析 | 第20-31页 |
| 3.1 概述 | 第20页 |
| 3.2 单用户访问行为Petri网 | 第20-21页 |
| 3.2.1 使用Petri网的缘由 | 第20-21页 |
| 3.2.2 单用户访问行为Petri网的构建 | 第21页 |
| 3.3 相似度评估算法 | 第21-24页 |
| 3.3.1 相关定义 | 第21-23页 |
| 3.3.2 相似度评估流程设计 | 第23-24页 |
| 3.4 两种相似度计算方法 | 第24-25页 |
| 3.4.1 用户标签特征相似度计算方法 | 第24-25页 |
| 3.4.2 用户行为特征相似度计算方法 | 第25页 |
| 3.5 用户访问行为相似度算法 | 第25-30页 |
| 3.5.1 算法描述 | 第25-26页 |
| 3.5.2 实例分析 | 第26-30页 |
| 3.6 小结 | 第30-31页 |
| 第四章 群体用户访问行为Petri网的构建 | 第31-38页 |
| 4.1 概述 | 第31页 |
| 4.2 H-K算法相关概念描述 | 第31-32页 |
| 4.2.1 整体相似度 | 第31-32页 |
| 4.2.2 轮廓系数 | 第32页 |
| 4.3 H-K聚类算法实现过程 | 第32-33页 |
| 4.4 群体用户Petri网模型的构建 | 第33-35页 |
| 4.4.1 相关概念 | 第33-34页 |
| 4.4.2 群体用户访问行为Petri网生成算法 | 第34-35页 |
| 4.5 实例验证 | 第35-37页 |
| 4.5.1 聚类结果评价机制 | 第35-36页 |
| 4.5.2 实验结果 | 第36-37页 |
| 4.6 小结 | 第37-38页 |
| 第五章 群体用户访问行为分析的Petri网方法 | 第38-57页 |
| 5.1 概述 | 第38页 |
| 5.2 模型间一致性分析 | 第38-44页 |
| 5.3 用户行为状态合法性分析 | 第44-46页 |
| 5.4 用户行为相关性分析 | 第46-50页 |
| 5.5 用户行为与标签数据集关联关系分析 | 第50-51页 |
| 5.6 模型结构设计及应用测试案例 | 第51-56页 |
| 5.6.1 模型结构设计 | 第52页 |
| 5.6.2 应用测试案例 | 第52-56页 |
| 5.7 小结 | 第56-57页 |
| 第六章 结论与展望 | 第57-59页 |
| 6.1 全文总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 附录 | 第64-65页 |