基于Web访问信息挖掘的推荐方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-15页 |
| 第一章 引言 | 第15-31页 |
| ·研究背景及意义 | 第16-19页 |
| ·研究背景 | 第16-17页 |
| ·研究意义 | 第17-19页 |
| ·面向群体访问者 | 第17-18页 |
| ·面向群体每一个访问者 | 第18-19页 |
| ·WEB 访问信息挖掘的研究发展现状 | 第19-22页 |
| ·Web 数据挖掘的分类 | 第19-20页 |
| ·Web 访问信息挖掘的研究发展现状 | 第20-22页 |
| ·研究的新特点 | 第22-23页 |
| ·问题的提出及本论文的主要贡献 | 第23-28页 |
| ·存在的问题 | 第23-25页 |
| ·本论文的主要贡献 | 第25-28页 |
| ·论文的组织结构 | 第28-31页 |
| 第二章 WEB 访问信息挖掘的历史与现状 | 第31-53页 |
| ·通用挖掘方法 | 第33-35页 |
| ·用户建模 | 第35-38页 |
| ·发现导航模式 | 第38-41页 |
| ·改进WEB站点的访问效率 | 第41-44页 |
| ·个性化 | 第44-46页 |
| ·商业智能发现 | 第46-48页 |
| ·访问信息特性 | 第48-49页 |
| ·用户移动模式发现 | 第49-51页 |
| ·小结 | 第51-53页 |
| 第三章 数据准备 | 第53-71页 |
| ·数据分布 | 第54-55页 |
| ·挖掘对象 | 第55-59页 |
| ·服务器方访问信息 | 第55-58页 |
| ·客户端访问信息 | 第58-59页 |
| ·公共概念 | 第59-60页 |
| ·预处理WEB 站点结构 | 第60-62页 |
| ·预处理WEB 页面内容 | 第62-63页 |
| ·预处理用户访问信息 | 第63-67页 |
| ·识别用户访问事务 | 第63-67页 |
| ·访问片断 | 第67页 |
| ·预处理其它信息 | 第67-68页 |
| ·实验数据集 | 第68-69页 |
| ·小结 | 第69-71页 |
| 第四章 面向 WEB 广播的聚类算法 | 第71-87页 |
| ·简介 | 第72-74页 |
| ·挖掘对象 | 第74页 |
| ·符号和定义 | 第74-76页 |
| ·初始化 | 第76-78页 |
| ·聚类 | 第78-81页 |
| ·指定聚类算法 | 第79-80页 |
| ·寻找聚类中心 | 第80-81页 |
| ·构造播出页面集和索引页面集 | 第81页 |
| ·实验和评价标准 | 第81-85页 |
| ·小结 | 第85-87页 |
| 第五章 大项序列发现和互信息规则发现 | 第87-107页 |
| ·简介 | 第88-90页 |
| ·大项序列发现 | 第90-93页 |
| ·正则文法 | 第90-91页 |
| ·用户访问事务文法 | 第91-92页 |
| ·大项序列发现 | 第92-93页 |
| ·互信息规则发现 | 第93-98页 |
| ·互信息规则 | 第93-96页 |
| ·相关主题域发现 | 第96-98页 |
| ·检验规则的有效性 | 第98页 |
| ·实验 | 第98-104页 |
| ·小结 | 第104-107页 |
| 第六章 群体用户访问兴趣及兴趣导航行为模式发现 | 第107-137页 |
| ·简介 | 第108-110页 |
| ·挖掘用户访问兴趣 | 第110-114页 |
| ·导航模型 | 第114-120页 |
| ·群体用户导航模型 | 第115-116页 |
| ·相对于urie的群体用户导航模型 | 第116-117页 |
| ·相对于urie的群体用户导航时间模型 | 第117-119页 |
| ·导航关联规则 | 第119-120页 |
| ·兴趣导航模式发现 | 第120-126页 |
| ·隐马尔可夫模型 | 第120-121页 |
| ·定义兴趣导航模型 | 第121-122页 |
| ·发现兴趣导航模式 | 第122-125页 |
| ·对用户对页面的实际观看时间的讨论 | 第125-126页 |
| ·实验 | 第126-135页 |
| ·兴趣分布实验 | 第127页 |
| ·模拟实验 | 第127-131页 |
| ·模拟INM 实验 | 第127-129页 |
| ·模拟SINM 实验 | 第129-131页 |
| ·具有真实背景的实验 | 第131-133页 |
| ·测量指标及实验结果 | 第133-135页 |
| ·小结 | 第135-137页 |
| 第七章 在线零售站点的自适应和商业智能的发现 | 第137-155页 |
| ·简介 | 第138-140页 |
| ·在线零售站点的自适应模型 | 第140-145页 |
| ·基本定义 | 第141-142页 |
| ·自适应过程 | 第142-144页 |
| ·自适应算法 | 第144页 |
| ·放置关联购买集合 | 第144-145页 |
| ·系统总的处理框架 | 第145页 |
| ·商业智能的发现 | 第145-149页 |
| ·基本定义 | 第145-147页 |
| ·发现商业智能 | 第147-149页 |
| ·实验 | 第149-153页 |
| ·实验比较 | 第149-150页 |
| ·具有真实背景的实验 | 第150-152页 |
| ·评价标准 | 第152-153页 |
| ·小结 | 第153-155页 |
| 第八章 在代理服务器内的协作浏览 | 第155-169页 |
| ·简介 | 第156-157页 |
| ·协作筛方法 | 第157-160页 |
| ·计算相似性 | 第158-159页 |
| ·选择近邻 | 第159页 |
| ·进行预测 | 第159-160页 |
| ·自动提供用户评价 | 第160-163页 |
| ·自动得到用户评价的算法 | 第163-165页 |
| ·推荐框架 | 第165页 |
| ·实验比较 | 第165-167页 |
| ·实验评价标准 | 第166页 |
| ·选择计算相似性方法实验 | 第166-167页 |
| ·选择预测方法实验 | 第167页 |
| ·小结 | 第167-169页 |
| 第九章 利用聚类方法实现实时个性化推荐 | 第169-185页 |
| ·简介 | 第170-171页 |
| ·系统结构 | 第171-172页 |
| ·挖掘用户访问顺序关系特性 | 第172-173页 |
| ·聚类挖掘 | 第173-176页 |
| ·生成推荐集 | 第176页 |
| ·推荐引擎 | 第176-178页 |
| ·实验 | 第178-183页 |
| ·小结 | 第183-185页 |
| 第十章 利用分类方法实现实时个性化推荐 | 第185-199页 |
| ·简介 | 第186-188页 |
| ·系统结构 | 第188页 |
| ·用户访问事务文法 | 第188-191页 |
| ·建立推荐模型 | 第191-193页 |
| ·推荐引擎 | 第193-194页 |
| ·实验 | 第194-198页 |
| ·小结 | 第198-199页 |
| 第十一章 利用协作推荐的方法实现实时个性化推荐 | 第199-209页 |
| ·简介 | 第200-201页 |
| ·系统结构 | 第201-202页 |
| ·协作筛方法 | 第202页 |
| ·得到用户评价 | 第202页 |
| ·推荐引擎 | 第202-203页 |
| ·提高推荐速度 | 第203-205页 |
| ·实验 | 第205-207页 |
| ·小结 | 第207-209页 |
| 第十二章 统一的集成推荐框架、原型系统实现和应用 | 第209-235页 |
| ·各方法的架构及其挖掘过程 | 第210-211页 |
| ·群体自适应方法 | 第210页 |
| ·个性化方法 | 第210-211页 |
| ·统一的集成推荐框架 | 第211-212页 |
| ·群体自适应推荐框架 | 第211-212页 |
| ·个性化推荐框架 | 第212页 |
| ·原型系统实现 | 第212-220页 |
| ·设计方案 | 第213页 |
| ·总体结构 | 第213-214页 |
| ·硬件配置 | 第214页 |
| ·软件配置 | 第214页 |
| ·原型系统示例 | 第214-220页 |
| ·原型系统规模 | 第220页 |
| ·应用 | 第220-234页 |
| ·背景 | 第220页 |
| ·应用途径 | 第220页 |
| ·关联景区发现 | 第220-223页 |
| ·相关主题域发现 | 第223-226页 |
| ·频繁访问路径发现 | 第226-228页 |
| ·群体用户兴趣导航模式发现 | 第228-232页 |
| ·应用总结 | 第232-234页 |
| ·小结 | 第234-235页 |
| 第十三章 结论以及将来的工作 | 第235-247页 |
| ·数据特性及论文工作的价值 | 第236-237页 |
| ·论文所作的工作 | 第237-242页 |
| ·面向Web 广播的聚类方法 | 第237-238页 |
| ·大项序列发现和互信息规则发现 | 第238页 |
| ·群体用户访问兴趣及兴趣导航行为模式发现 | 第238-239页 |
| ·在线零售站点的自适应和商业智能的发现 | 第239-240页 |
| ·在代理服务器内的协作浏览 | 第240页 |
| ·利用聚类方法实现实时个性化推荐 | 第240-241页 |
| ·利用分类方法实现实时个性化推荐 | 第241页 |
| ·利用协作推荐的方法实现实时个性化推荐 | 第241-242页 |
| ·统一的集成推荐框架，系统以及应用 | 第242页 |
| ·方法之间的关系 | 第242-243页 |
| ·方法的维 | 第243-244页 |
| ·方法的时间有效性讨论 | 第244页 |
| ·将来的工作 | 第244-247页 |
| 参考文献 | 第247-261页 |
| 作者简历及论文发表情况 | 第261-263页 |
| 致 谢 | 第263页 |
