| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状和发展趋势 | 第10-12页 |
| 1.2.1 序列模式挖掘技术研究现状 | 第10-11页 |
| 1.2.2 序列模式挖掘应用现状 | 第11-12页 |
| 1.3 研究生期间主要工作 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第二章 序列模式挖掘算法研究 | 第15-25页 |
| 2.1 序列模式基本概念 | 第15-17页 |
| 2.2 序列模式挖掘一般流程 | 第17页 |
| 2.3 现有序列模式挖掘算法研究 | 第17-23页 |
| 2.3.1 类Apriori算法 | 第17-18页 |
| 2.3.2 SPADE算法 | 第18-20页 |
| 2.3.3 PrefixSpan算法 | 第20-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 基于K-means的序列预聚类算法 | 第25-41页 |
| 3.1 聚类的基本概念 | 第25-26页 |
| 3.2 聚类的相似性度量及准则函数 | 第26-29页 |
| 3.2.1 相似性度量方法 | 第26-27页 |
| 3.2.2 准则函数 | 第27-29页 |
| 3.2.3 评价指标 | 第29页 |
| 3.3 K-means聚类算法 | 第29-32页 |
| 3.3.1 聚类算法简介 | 第29-30页 |
| 3.3.2 K-means算法 | 第30-31页 |
| 3.3.3 算法存在的问题 | 第31-32页 |
| 3.4 一种基于序列编辑距离的K-means序列预聚类算法 | 第32-39页 |
| 3.4.1 序列聚类算法 | 第32页 |
| 3.4.2 基于序列编辑距离的相似性度量 | 第32-35页 |
| 3.4.3 基本算法描述 | 第35-37页 |
| 3.4.4 算法流程 | 第37-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 基于HMM的两阶段序列挖掘算法 | 第41-53页 |
| 4.1 序列模式的有用性度量 | 第41-42页 |
| 4.2 隐马尔可夫模型(HMM) | 第42-45页 |
| 4.2.1 HMM的定义 | 第43页 |
| 4.2.2 HMM的基本问题及其解决算法 | 第43-45页 |
| 4.3 一种基于HMM的高效用序列模式挖掘算法 | 第45-50页 |
| 4.3.1 序列挖掘 | 第45-46页 |
| 4.3.2 EM算法建模 | 第46-48页 |
| 4.3.3 序列模式匹配 | 第48-49页 |
| 4.3.4 算法描述和流程 | 第49-50页 |
| 4.4 整体算法流程 | 第50-51页 |
| 4.4.1 序列数据预聚类 | 第51页 |
| 4.4.2 序列模式挖掘 | 第51页 |
| 4.5 本章小结 | 第51-53页 |
| 第五章 基于HMM的两阶段序列挖掘算法在用户行为分析中的应用实验 | 第53-67页 |
| 5.1 实验及结果分析 | 第53-58页 |
| 5.1.1 评估指标 | 第53-54页 |
| 5.1.2 实验及分析 | 第54-58页 |
| 5.2 云平台用户性能故障行为分析的应用实现 | 第58-65页 |
| 5.2.1 系统需求 | 第58-59页 |
| 5.2.2 系统总体架构 | 第59-60页 |
| 5.2.3 系统详细设计与具体实现 | 第60-65页 |
| 5.3 本章小结 | 第65-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 缩略语 | 第73-75页 |
| 致谢 | 第75-77页 |
| 攻读学位期间发表的学术论文 | 第77页 |