| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题研究的目的和意义 | 第11-13页 |
| 1.2 数据挖掘技术国内外的研究现状 | 第13-16页 |
| 1.3 课题的来源及研究内容 | 第16-18页 |
| 1.3.1 课题来源 | 第16页 |
| 1.3.2 课题的主要研究内容 | 第16-18页 |
| 第2章 聚类分析技术综述 | 第18-25页 |
| 2.1 聚类分析的概念与聚类过程 | 第18-19页 |
| 2.2 聚类分析中的数据结构和距离 | 第19-21页 |
| 2.2.1 聚类分析中的数据结构 | 第19-20页 |
| 2.2.2 聚类分析中的相似度表示 | 第20-21页 |
| 2.3 聚类分析方法分类 | 第21-24页 |
| 2.3.1 基于划分的方法(Partitioning Methods) | 第21-22页 |
| 2.3.2 基于层次的方法(Hierarchical Methods) | 第22-23页 |
| 2.3.3 基于密度的方法(Density-based Methods) | 第23-24页 |
| 2.3.4 基于网格的方法(Grid-based Methods) | 第24页 |
| 2.3.5 基于模型的方法(Model-based Methods) | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于KD-树改进的增量K-means聚类算法研究 | 第25-38页 |
| 3.1 典型聚类算法：K-means算法 | 第25-27页 |
| 3.1.1 传统K-means算法基本思想 | 第25页 |
| 3.1.2 传统K-means算法聚类过程 | 第25-27页 |
| 3.2 基于KD-树的初始中心点选取算法 | 第27-29页 |
| 3.2.1 基于KD-树的初始中心点选取 | 第27-28页 |
| 3.2.2 基本定义 | 第28页 |
| 3.2.3 算法思想及过程 | 第28-29页 |
| 3.3 基于KD-树优化的KDTK-means动态聚类算法 | 第29-32页 |
| 3.3.1 基本定义 | 第30页 |
| 3.3.2 KDTK-means动态聚类算法描述 | 第30-32页 |
| 3.4 实验评价 | 第32-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于Kruskal算法改进的K-means推荐算法研究 | 第38-48页 |
| 4.1 Kruskal算法 | 第38页 |
| 4.2 协同过滤推荐技术 | 第38-39页 |
| 4.3 基于Kruskal算法改进的K-means算法 | 第39-42页 |
| 4.3.1 基本定义 | 第40页 |
| 4.3.2 算法描述 | 第40-42页 |
| 4.4 基于KrusK-means算法的推荐算法预测 | 第42-44页 |
| 4.5 实验评价 | 第44-47页 |
| 4.6 本章小结 | 第47-48页 |
| 结论 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 攻读硕士学位期间所发表的学术论文 | 第54-55页 |
| 致谢 | 第55页 |
