基于K-均值聚类算法的Web日志挖掘技术的研究和应用
| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第1章 引言 | 第9-15页 |
| ·研究背景及意义 | 第9-10页 |
| ·研究背景 | 第9-10页 |
| ·研究意义 | 第10页 |
| ·国内外研究现状 | 第10-13页 |
| ·国外研究现状 | 第10-12页 |
| ·国内研究现状 | 第12-13页 |
| ·本文的研究内容及组织结构 | 第13-15页 |
| ·本文的研究内容 | 第13-14页 |
| ·本文的组织结构 | 第14-15页 |
| 第2章 Web日志挖掘基础 | 第15-20页 |
| ·Web数据挖掘 | 第15-17页 |
| ·数据挖掘 | 第15页 |
| ·Web数据挖掘 | 第15-17页 |
| ·Web日志挖掘 | 第17-20页 |
| ·Web日志挖掘简介 | 第17页 |
| ·Web日志挖掘的过程 | 第17-18页 |
| ·Web日志挖掘的技术 | 第18-20页 |
| 第3章 数据预处理研究 | 第20-31页 |
| ·Web日志的格式 | 第20-21页 |
| ·数据清洗 | 第21-23页 |
| ·用户识别 | 第23-27页 |
| ·会话识别 | 第27-31页 |
| 第4章 改进的K-均值聚类算法 | 第31-44页 |
| ·聚类 | 第31-33页 |
| ·聚类分析简介 | 第31页 |
| ·聚类分析的方法 | 第31-33页 |
| ·K-均值算法 | 第33-34页 |
| ·算法思想 | 第33页 |
| ·算法描述 | 第33页 |
| ·算法特点 | 第33-34页 |
| ·改进K-均值算法的主要措施 | 第34页 |
| ·改进K-均值算法需要采用的其它技术 | 第34-37页 |
| ·DIANA算法 | 第34-36页 |
| ·最大最小距离准则 | 第36页 |
| ·马氏距离 | 第36-37页 |
| ·改进的K-均值算法 | 第37-39页 |
| ·改进算法的思想 | 第37-38页 |
| ·改进算法的流程图 | 第38页 |
| ·改进算法的描述 | 第38-39页 |
| ·改进算法的特点 | 第39页 |
| ·改进的算法和原始的K-均值算法的性能比较 | 第39-44页 |
| ·纯度比较 | 第40-41页 |
| ·簇内相似度的比较 | 第41-42页 |
| ·簇间相异度的比较 | 第42-44页 |
| 第5章 应用实例-网站优化的实现 | 第44-60页 |
| ·实验环境 | 第44页 |
| ·需求分析 | 第44-45页 |
| ·Web日志挖掘系统模型的建立 | 第45-46页 |
| ·Web日志挖掘系统的主要界面 | 第46-48页 |
| ·Web日志挖掘系统的实现和应用 | 第48-57页 |
| ·Web日志源数据导入 | 第48-50页 |
| ·数据预处理 | 第50-52页 |
| ·Web日志挖掘 | 第52-57页 |
| ·结果分析和评价 | 第57-58页 |
| ·系统使用情况 | 第58-60页 |
| 第6章 总结和展望 | 第60-62页 |
| ·总结 | 第60-61页 |
| ·工作展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第67页 |
| 发表论文 | 第67页 |
| 其它科研成果 | 第67页 |
