| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 主要研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 第2章 相关背景知识概述 | 第17-31页 |
| 2.1 机器学习与数据挖掘 | 第17-21页 |
| 2.1.1 机器学习与数据挖掘的基本概念 | 第17页 |
| 2.1.2 机器学习与数据挖掘工具—weka | 第17-18页 |
| 2.1.3 机器学习与数据挖掘的常用技术 | 第18-21页 |
| 2.2 Stack Overflow数据转储 | 第21-25页 |
| 2.3 Java编程语言和相关Java工具 | 第25-30页 |
| 2.3.1 Java语言简介 | 第25-26页 |
| 2.3.2 Eclipse JDT简介 | 第26-28页 |
| 2.3.3 Jsoup简介 | 第28-30页 |
| 2.4 小结 | 第30-31页 |
| 第3章 基于人气指标的推荐方法 | 第31-40页 |
| 3.1 研究动机 | 第31-32页 |
| 3.2 Stack Overflow数据处理和分析 | 第32-35页 |
| 3.3 基于人气指标的推荐方法 | 第35-37页 |
| 3.4 实验结果与分析 | 第37-39页 |
| 3.4.1 测试指标和实验测试代码集 | 第37-38页 |
| 3.4.2 结果与分析 | 第38-39页 |
| 3.5 小结 | 第39-40页 |
| 第4章 基于优化Apriori算法的代码推荐系统 | 第40-59页 |
| 4.1 Apriori算法 | 第40-43页 |
| 4.2 优化Apriori算法的关联规则挖掘 | 第43-45页 |
| 4.2.1 生成频繁集阶段的优化 | 第43-44页 |
| 4.2.2 生成规则的优化 | 第44-45页 |
| 4.3 优化Apriori算法的代码推荐方案 | 第45-47页 |
| 4.4 实验测试与分析 | 第47-50页 |
| 4.4.1 数据集和测评指标 | 第47-48页 |
| 4.4.2 与基于人气的推荐方法的对比测试 | 第48-49页 |
| 4.4.3 与其他代码推荐系统的对比测试 | 第49-50页 |
| 4.5 系统原型设计与实现 | 第50-58页 |
| 4.5.1 工具实现 | 第50-51页 |
| 4.5.2 配置模块 | 第51-52页 |
| 4.5.3 推荐模块 | 第52-58页 |
| 4.6 小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 附录A 攻读学位期间参加的科研项目 | 第66页 |