Web使用挖掘技术的研究
| 第1章 绪论 | 第1-25页 |
| 1．1 研究课题背景 | 第11-12页 |
| 1．2 Web挖掘分类 | 第12-14页 |
| 1．3 Web使用挖掘 | 第14-21页 |
| 1．3．1 Web使用挖掘流程 | 第14-15页 |
| 1．3．2 数据预处理过程 | 第15-21页 |
| 1．4 Web使用挖掘方法 | 第21-22页 |
| 1．5 Web使用挖掘的应用及意义 | 第22-23页 |
| 1．6 本文主要内容 | 第23-25页 |
| 第2章 个性化服务中网页推荐模型研究 | 第25-41页 |
| 2．1 个性化服务 | 第25-29页 |
| 2．1．1 个性化服务起源 | 第25-26页 |
| 2．1．2 个性化服务主要形式 | 第26页 |
| 2．1．3 个性化服务关键技术 | 第26-28页 |
| 2．1．4 个性化推荐技术 | 第28-29页 |
| 2．2 信息过滤和信息检索 | 第29-31页 |
| 2．3 数据挖掘聚类 | 第31-33页 |
| 2．3．1 常用聚类 | 第31页 |
| 2．3．2 用户聚类 | 第31-33页 |
| 2．4 个性化推荐模型结构 | 第33-35页 |
| 2．4．1 个性化服务的体系结构 | 第33-34页 |
| 2．4．2 服务器端推荐模型结构 | 第34-35页 |
| 2．5 推荐模型关键技术 | 第35-39页 |
| 2．5．1 用户兴趣建模 | 第35-36页 |
| 2．5．2 用户浏览行为描述 | 第36-37页 |
| 2．5．3 群体聚类 | 第37-39页 |
| 2．6 用户兴趣文件建立 | 第39-40页 |
| 2．7 网页推荐及用户反馈 | 第40页 |
| 2．8 本章小结 | 第40-41页 |
| 第3章 基于隐马尔科夫模型的浏览路径预测 | 第41-53页 |
| 3．1 单 Markov链模型 | 第41-43页 |
| 3．2 N-gram统计模型 | 第43-46页 |
| 3．2．1 单步N-gram统计模型 | 第43-44页 |
| 3．2．2 多步N-gram统计模型 | 第44-46页 |
| 3．3 基于聚类/分类的浏览路径预测 | 第46-47页 |
| 3．4 基于隐 Markov模型的浏览路径预测 | 第47-51页 |
| 3．4．1 隐 Markov模型 | 第48页 |
| 3．4．2 定义模型 | 第48-50页 |
| 3．4．3 基于隐 Markov模型浏览路径预测 | 第50-51页 |
| 3．5 实验结果分析 | 第51-52页 |
| 3．6 本章小结 | 第52-53页 |
| 第4章 基于确信因子的有效关联规则挖掘 | 第53-66页 |
| 4．1 关联规则 | 第53-56页 |
| 4．1．1 基本概念 | 第53-54页 |
| 4．1．2 Apriori算法 | 第54-56页 |
| 4．1．3 关联规则生成 | 第56页 |
| 4．2 无意义强关联规则 | 第56-57页 |
| 4．3 相关性和兴趣性度量 | 第57-59页 |
| 4．3．1 相关性度量 | 第58页 |
| 4．3．2 兴趣性度量 | 第58-59页 |
| 4．4 确信因子 | 第59-61页 |
| 4．5 规则取舍 | 第61-62页 |
| 4．6 引入确信度后的算法 | 第62-64页 |
| 4．7 实验结果分析 | 第64-65页 |
| 4．8 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第72-73页 |
| 致谢 | 第73页 |
