| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究的背景和意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 日志挖掘的国内外现状 | 第11-12页 |
| 1.2.2 推荐系统的国内外现状 | 第12-14页 |
| 1.3 论文的研究内容和组织结构 | 第14-17页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 组织结构 | 第15-17页 |
| 第2章 基本理论与方法 | 第17-30页 |
| 2.1 聚类的定义 | 第17-18页 |
| 2.2 Web访问日志聚类 | 第18-23页 |
| 2.2.1 Web访问日志聚类数据源 | 第18页 |
| 2.2.2 Web访问日志聚类数据预处理 | 第18-22页 |
| 2.2.3 Web访问日志聚类过程 | 第22-23页 |
| 2.2.4 Web访问日志聚类的应用 | 第23页 |
| 2.3 推荐系统及相关技术介绍 | 第23-29页 |
| 2.3.1 信息过载 | 第23-24页 |
| 2.3.2 推荐系统介绍 | 第24-25页 |
| 2.3.3 推荐系统模型结构 | 第25-27页 |
| 2.3.4 推荐系统主要算法 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 用户Web访问日志的聚类算法 | 第30-45页 |
| 3.1 聚类算法选择分析 | 第30-33页 |
| 3.1.1 用户Web行为分析 | 第30-31页 |
| 3.1.2 用户Web访问日志数据的特点 | 第31-33页 |
| 3.1.3 传统聚类方法存在的不足 | 第33页 |
| 3.2 基于Hamming距离的Web日志聚类算法 | 第33-36页 |
| 3.2.1 Hamming距离的定义 | 第34页 |
| 3.2.2 Hamming距离聚类的具体过程 | 第34-35页 |
| 3.2.3 Hamming距离聚类存在的不足 | 第35-36页 |
| 3.3 传统Hamming距离聚类改进 | 第36-44页 |
| 3.3.1 带权图的Hamming距离聚类定义 | 第36-39页 |
| 3.3.2 Hamming聚类对稀疏矩阵的改进 | 第39-43页 |
| 3.3.3 Hamming聚类对Web访问次数的改进 | 第43-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 基于访问日志聚类的推荐算法研究 | 第45-65页 |
| 4.1 加权用户行为模型 | 第46-49页 |
| 4.2 基于MapReduce的加权矩阵计算过程 | 第49-55页 |
| 4.3 基于对数似然比的协同过滤推荐算法 | 第55-62页 |
| 4.3.1 基于对数似然比的推荐算法 | 第56-59页 |
| 4.3.2 基于对数似然比的用户浏览信息资源推荐 | 第59-62页 |
| 4.4 推荐系统的评价标准 | 第62-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第5章 在Github Archive中的应用与分析 | 第65-83页 |
| 5.1 基于聚类的推荐系统结构 | 第65-66页 |
| 5.2 应用准备 | 第66-71页 |
| 5.2.1 应用环境 | 第66页 |
| 5.2.2 获得数据源 | 第66-68页 |
| 5.2.3 Web日志数据预处理 | 第68-71页 |
| 5.3 改进的Hamming距离聚类实验 | 第71-73页 |
| 5.4 改进Hamming聚类与传统聚类的比较 | 第73-76页 |
| 5.4.1 改进Hamming聚类与传统Hamming聚类比较 | 第73-74页 |
| 5.4.2 改进Hamming聚类与k-means聚类算法比较 | 第74-76页 |
| 5.5 基于改进Hamming聚类的推荐应用 | 第76-82页 |
| 5.6 本章小结 | 第82-83页 |
| 第6章 总结与展望 | 第83-85页 |
| 6.1 结论 | 第83页 |
| 6.1.1 主要工作 | 第83页 |
| 6.2 研究展望 | 第83-85页 |
| 参考文献 | 第85-88页 |
| 致谢 | 第88页 |
