| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-17页 |
| ·课题研究的背景及意义 | 第11-13页 |
| ·国内外研究现状 | 第13-15页 |
| ·本文主要研究内容 | 第15-16页 |
| ·论文的整体结构安排 | 第16-17页 |
| 第2章 Web 数据挖掘 | 第17-30页 |
| ·Web 数据挖掘 | 第17-19页 |
| ·Web 数据挖掘分类 | 第17-18页 |
| ·Web 数据挖掘与数据挖掘的区别 | 第18-19页 |
| ·常用的 Web 挖掘技术 | 第19-22页 |
| ·决策树（Decision Tree） | 第19页 |
| ·关联规则（Association Rule） | 第19-20页 |
| ·聚类（Clustering） | 第20页 |
| ·回归(Regression) | 第20页 |
| ·贝叶斯分类技术 (Bayesian Classifier) | 第20页 |
| ·支持向量机方法（Support Vector Machine） | 第20-21页 |
| ·主成分分析法（Principal Components Analysis） | 第21页 |
| ·神经网络（Neural Network） | 第21页 |
| ·假设检验（Hypothesis Test） | 第21-22页 |
| ·Web 数据挖掘过程（以 Web 使用挖掘为例） | 第22-27页 |
| ·数据采集 | 第22-23页 |
| ·数据准备 | 第23-25页 |
| ·导航模式发现 | 第25-26页 |
| ·模式分析与可视化 | 第26页 |
| ·模式应用 | 第26-27页 |
| ·Web 数据挖掘应用 | 第27-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 推荐系统 | 第30-40页 |
| ·推荐系统介绍 | 第30-31页 |
| ·常见的推荐算法分析 | 第31-36页 |
| ·基于内容相似度的算法 | 第31-32页 |
| ·协同过滤推荐算法 | 第32-34页 |
| ·聚类算法 | 第34页 |
| ·基于关联规则的推荐算法 | 第34-35页 |
| ·基于主题模型的算法 | 第35页 |
| ·基于社交网络的算法 | 第35页 |
| ·基于人口统计学的算法 | 第35-36页 |
| ·混合推荐机制 | 第36页 |
| ·推荐系统的应用 | 第36-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 关联规则算法及改进 | 第40-52页 |
| ·关联规则描述及问题提出 | 第40-42页 |
| ·Apriori 算法 | 第42-47页 |
| ·Apriori 算法描述 | 第42-45页 |
| ·Apriori 算法性质 | 第45页 |
| ·Apriori 算法实例说明 | 第45-47页 |
| ·Apriori 算法改进 | 第47-51页 |
| ·生成频繁项集过程改进 | 第48-49页 |
| ·生成强关联规则过程改进 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第5章 聚类分析算法及改进 | 第52-66页 |
| ·聚类分析描述 | 第52-54页 |
| ·K-means 聚类算法 | 第54-56页 |
| ·K-means 聚类算法描述 | 第54-55页 |
| ·K-means 聚类算法实例说明 | 第55-56页 |
| ·K-means 算法改进 | 第56-65页 |
| ·改进方法一 | 第58-62页 |
| ·改进方法二 | 第62-65页 |
| ·本章小结 | 第65-66页 |
| 第6章 关联规则和聚类算法在推荐系统中的应用 | 第66-72页 |
| ·关联规则与聚类在推荐系统中的应用 | 第66-69页 |
| ·基于关联规则的推荐方法 | 第66-67页 |
| ·基于聚类分析的推荐方法 | 第67-69页 |
| ·关联规则和聚类互补的推荐方法 | 第69页 |
| ·将聚类作为关联规则的预处理方法 | 第69页 |
| ·推荐方法性能评价 | 第69-71页 |
| ·本章小结 | 第71-72页 |
| 结论 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 致谢 | 第76-77页 |
| 作者简介 | 第77页 |
| 攻读硕士学位期间发表的论文和科研成果 | 第77-78页 |
