基于日志的Web访问信息挖掘
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-11页 |
| ·研究背景及意义 | 第7-8页 |
| ·研究背景 | 第7页 |
| ·研究意义 | 第7-8页 |
| ·Web挖掘概述 | 第8-10页 |
| ·Web内容挖掘 | 第9页 |
| ·Web结构挖掘 | 第9-10页 |
| ·Web访问信息挖掘 | 第10页 |
| ·论文的组织结构 | 第10页 |
| ·本章小结 | 第10-11页 |
| 2 Web访问信息挖掘 | 第11-21页 |
| ·Web访问信息挖掘的体系结构 | 第11-14页 |
| ·Web访问信息挖掘的定义 | 第11页 |
| ·Web访问信息挖掘的过程 | 第11-12页 |
| ·Web访问信息挖掘的数据源 | 第12-14页 |
| ·数据预处理 | 第14-17页 |
| ·数据净化 | 第14-15页 |
| ·用户识别 | 第15-16页 |
| ·会话识别 | 第16-17页 |
| ·路径补充 | 第17页 |
| ·事务识别 | 第17页 |
| ·模式挖掘 | 第17-19页 |
| ·关联规则挖掘 | 第18页 |
| ·聚类 | 第18页 |
| ·分类 | 第18-19页 |
| ·序列模式 | 第19页 |
| ·模式分析及应用 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 3 模糊聚类技术 | 第21-35页 |
| ·模糊聚类理论发展 | 第21-22页 |
| ·FKM聚类算法 | 第22-24页 |
| ·K均值聚类算法(HKM)介绍 | 第22-23页 |
| ·模糊K均值聚类 | 第23-24页 |
| ·中心初始化策略 | 第24-28页 |
| ·距离优化法 | 第25-26页 |
| ·密度估计法 | 第26页 |
| ·改进的距离优化法 | 第26-28页 |
| ·类数目的确定 | 第28-34页 |
| ·引入信息熵来确定最佳中心数 | 第28-30页 |
| ·基于几何结构的有效性函数 | 第30-31页 |
| ·权和的有效性函数 | 第31页 |
| ·一种新的有效性函数 | 第31-34页 |
| ·本章小结 | 第34-35页 |
| 4 基于访问日志的个性化推荐 | 第35-45页 |
| ·引言 | 第35-36页 |
| ·日志的预处理 | 第36-38页 |
| ·所用日志示例 | 第36页 |
| ·用户事务集合 | 第36-37页 |
| ·浏览时间的离散化 | 第37页 |
| ·用户浏览矩阵和用户点击矩阵 | 第37-38页 |
| ·用户聚类和URL聚类 | 第38-39页 |
| ·带属性权重的欧氏距离 | 第38-39页 |
| ·页面权重 | 第39页 |
| ·用户权重 | 第39页 |
| ·聚类中心数目的确定 | 第39-41页 |
| ·抽样 | 第40页 |
| ·等价事务和事务约减 | 第40页 |
| ·全局搜索 | 第40-41页 |
| ·实验结果 | 第41-44页 |
| ·本章小结 | 第44-45页 |
| 5 基于查询日志的协作推荐 | 第45-55页 |
| ·引言 | 第45页 |
| ·体系结构 | 第45-46页 |
| ·访问日志与查询日志 | 第46-47页 |
| ·基于主题关注度的推荐算法 | 第47-49页 |
| ·相关工作 | 第47-48页 |
| ·主题关注度推荐算法 | 第48-49页 |
| ·基于查询日志的推荐算法 | 第49-54页 |
| ·两种不同类型的聚类算法 | 第50页 |
| ·基于图的迭代聚类算法 | 第50-51页 |
| ·改进的相似性函数 | 第51-52页 |
| ·实验及结果分析 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 6 总结 | 第55-57页 |
| ·本文工作总结 | 第55页 |
| ·进一步工作展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-60页 |
