| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 数据挖掘研究现状 | 第9页 |
| 1.2.2 电信行业内数据挖掘的研究现状 | 第9-10页 |
| 1.3 论文主要内容 | 第10-11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第二章 数据挖掘相关技术 | 第13-32页 |
| 2.1 数据挖掘基础理论 | 第13-15页 |
| 2.1.1 数据挖掘定义 | 第13页 |
| 2.1.2 数据挖掘任务 | 第13-14页 |
| 2.1.3 数据挖掘过程 | 第14-15页 |
| 2.2 数据预处理 | 第15-19页 |
| 2.2.1 数据及数据类型 | 第16页 |
| 2.2.2 数据预处理方法 | 第16-19页 |
| 2.3 聚类分析 | 第19-22页 |
| 2.3.1 聚类 | 第19-20页 |
| 2.3.2 k-means算法分析 | 第20-22页 |
| 2.4 关联分析 | 第22-28页 |
| 2.4.1 关联 | 第22-24页 |
| 2.4.2 Apriori算法 | 第24-25页 |
| 2.4.3 FP-growth算法 | 第25-27页 |
| 2.4.4 关联规则的评价 | 第27-28页 |
| 2.5 数据挖掘工具WEKA | 第28-31页 |
| 2.5.1 WEKA数据格式 | 第28-30页 |
| 2.5.2 WEKA挖掘流程 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 基于k-means算法的客户分群和上网偏好划分 | 第32-52页 |
| 3.1 源数据准备 | 第32-34页 |
| 3.1.1 数据采集 | 第32-33页 |
| 3.1.2 分析环境搭建 | 第33-34页 |
| 3.2 聚类算法在客户细分的应用 | 第34-43页 |
| 3.2.1 客户细分流程 | 第35页 |
| 3.2.2 客户细分目标 | 第35-36页 |
| 3.2.3 客户细分指标确定 | 第36页 |
| 3.2.4 客户细分数据预处理 | 第36-38页 |
| 3.2.5 建模数据挖掘 | 第38-39页 |
| 3.2.6 结果分析 | 第39-43页 |
| 3.3 聚类分析用户上网偏好 | 第43-51页 |
| 3.3.1 上网偏好分析流程 | 第43-44页 |
| 3.3.2 上网偏好划分目标 | 第44页 |
| 3.3.3 属性选择与预处理 | 第44-45页 |
| 3.3.4 建模聚类 | 第45-47页 |
| 3.3.5 偏好结果分析 | 第47-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第四章 关联分析在流量经营中的应用 | 第52-64页 |
| 4.1 终端数据的处理 | 第52-54页 |
| 4.1.1 终端属性选择 | 第52-53页 |
| 4.1.2 终端数据预处理 | 第53-54页 |
| 4.2 将关联分析应用于流量经营 | 第54-58页 |
| 4.2.1 数据整合 | 第54页 |
| 4.2.2 关联分析步骤 | 第54-55页 |
| 4.2.3 支持度与置信度的设置 | 第55-56页 |
| 4.2.4 选择关联规则算法 | 第56页 |
| 4.2.5 WEKA关联挖掘 | 第56-58页 |
| 4.3 流量经营关联规则分析 | 第58-63页 |
| 4.3.1 上网偏好 | 第58-59页 |
| 4.3.2 客户档次 | 第59-61页 |
| 4.3.3 终端、用户网络类型 | 第61-62页 |
| 4.3.4 结论 | 第62-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-68页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第68-69页 |
| 致谢 | 第69页 |