| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究的背景和意义 | 第11-12页 |
| 1.2 国内外的研究现状及分析 | 第12-14页 |
| 1.2.1 数据挖掘技术的国内外研究现状 | 第12-13页 |
| 1.2.2 电子图书馆的国内外研究现状 | 第13-14页 |
| 1.3 论文内容和结构安排 | 第14-16页 |
| 第2章 数据挖掘的相关理论研究 | 第16-24页 |
| 2.1 数据挖掘的基本理论 | 第16-21页 |
| 2.1.1 数据挖掘的概念与操作对象 | 第16-17页 |
| 2.1.2 数据挖掘的关联领域和技术 | 第17-19页 |
| 2.1.3 数据挖掘的典型应用范围 | 第19页 |
| 2.1.4 数据挖掘未来面临的挑战 | 第19-20页 |
| 2.1.5 数据挖掘使用的注意事项 | 第20-21页 |
| 2.2 数据挖掘的典型算法 | 第21-23页 |
| 2.2.1 关联规则算法 | 第21页 |
| 2.2.2 聚类分析算法 | 第21页 |
| 2.2.3 回归分析算法 | 第21-22页 |
| 2.2.4 Bayes分析算法 | 第22页 |
| 2.2.5 决策树算法 | 第22页 |
| 2.2.6 神经网络算法 | 第22-23页 |
| 2.2.7 遗传算法 | 第23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 基于K-Means算法的图书馆数据聚类 | 第24-34页 |
| 3.1 聚类分析的典型方法 | 第24-25页 |
| 3.1.1 基于距离的聚类分析算法 | 第24页 |
| 3.1.2 基于层次的聚类分析算法 | 第24-25页 |
| 3.1.3 基于密度的聚类分析算法 | 第25页 |
| 3.1.4 基于网格的聚类分析算法 | 第25页 |
| 3.1.5 基于模型的聚类分析算法 | 第25页 |
| 3.2 K-Means均值聚类 | 第25-26页 |
| 3.2.1 K-Means均值聚类的基本思想 | 第25-26页 |
| 3.2.2 K-Means均值聚类的实现流程 | 第26页 |
| 3.3 图书馆数据的K-Means均值聚类 | 第26-33页 |
| 3.3.1 用户数据聚类 | 第27-31页 |
| 3.3.2 图书数据聚类 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 基于改进Apriori算法的图书馆数据挖掘 | 第34-45页 |
| 4.1 Apriori算法分析 | 第34-38页 |
| 4.1.1 Aprior算法的基本流程 | 第34-35页 |
| 4.1.2 Aprior算法的案例分析 | 第35-38页 |
| 4.1.3 Aprior算法的典型问题 | 第38页 |
| 4.2 Apriori算法的改进处理 | 第38-44页 |
| 4.2.1 Apriori算法的改进流程 | 第38-39页 |
| 4.2.2 改进Apriori算法的案例分析 | 第39-41页 |
| 4.2.3 改进Apriori算法的性能测试 | 第41-44页 |
| 4.3 本章小结 | 第44-45页 |
| 第5章 电子图书馆管理信息系统的实现 | 第45-58页 |
| 5.1 系统总体框架设计 | 第45-49页 |
| 5.1.1 系统结构设计 | 第45-46页 |
| 5.1.2 系统功能设计 | 第46-49页 |
| 5.2 系统数据仓库设计 | 第49-53页 |
| 5.2.1 数据库ER模型 | 第49-50页 |
| 5.2.2 数据表设计 | 第50-53页 |
| 5.3 系统核心功能演示 | 第53-57页 |
| 5.3.1 系统界面设计 | 第53-54页 |
| 5.3.2 聚类分析功能演示 | 第54-55页 |
| 5.3.3 数据挖掘功能演示 | 第55-57页 |
| 5.4 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第62-63页 |
| 致谢 | 第63-64页 |
| 个人简历 | 第64页 |