| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究目的和意义 | 第9-12页 |
| 1.3 论文研究主要内容 | 第12-13页 |
| 1.4 论文结构与安排 | 第13页 |
| 1.5 本文主要创新点 | 第13-15页 |
| 第二章 用户行为分析 | 第15-23页 |
| 2.1 国内外研究现状 | 第15-16页 |
| 2.2 用户行为分析的概念 | 第16页 |
| 2.3 用户行为分析的内容 | 第16页 |
| 2.4 用户上网行为分析的步骤 | 第16-17页 |
| 2.5 用户行为分析的方法 | 第17-21页 |
| 2.5.1 聚类分析 | 第18页 |
| 2.5.2 时序数据挖掘 | 第18-19页 |
| 2.5.3 关联规则分析 | 第19页 |
| 2.5.4 决策树 | 第19-20页 |
| 2.5.5 人工神经网络算法 | 第20页 |
| 2.5.6 遗传算法 | 第20-21页 |
| 2.6 用户行为分析的意义 | 第21页 |
| 2.7 本章小结 | 第21-23页 |
| 第三章 聚类算法的用户分群模型 | 第23-32页 |
| 3.1 聚类算法概述 | 第23-24页 |
| 3.2 聚类算法分类 | 第24-28页 |
| 3.2.1 层次聚类 | 第25-26页 |
| 3.2.2 K-Means算法 | 第26-27页 |
| 3.2.3 k的正确取值 | 第27页 |
| 3.2.4 聚类中心的选取 | 第27-28页 |
| 3.3 用户分群的建立 | 第28-31页 |
| 3.3.1 用户分群模型 | 第29-30页 |
| 3.3.2 用户分群数据库的建立 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 用户分群模型在用户行为分析中的应用 | 第32-49页 |
| 4.1 用户上网行为的相关要求 | 第32页 |
| 4.1.1 满足准度和及时要求 | 第32页 |
| 4.1.2 满足对海量数据的处理要求 | 第32页 |
| 4.1.3 支撑以客户全面画像为中心的精准营销 | 第32页 |
| 4.2 日志数据特征分析 | 第32-37页 |
| 4.2.1 日志数据概述 | 第32-34页 |
| 4.2.2 日志数据统计 | 第34-36页 |
| 4.2.3 HTTP数据特征分析 | 第36-37页 |
| 4.3 URL特征以及提取 | 第37-40页 |
| 4.3.1 URL特征 | 第37-38页 |
| 4.3.2 URL提取 | 第38-40页 |
| 4.4 用户行为分析 | 第40-47页 |
| 4.4.1 分析整体架构 | 第40-45页 |
| 4.4.2 网页内容的爬取 | 第45页 |
| 4.4.3 用户行为分析流程 | 第45-47页 |
| 4.5 用户分群在用户行为分析中的应用 | 第47-48页 |
| 4.5.1 用户身份识别 | 第47-48页 |
| 4.5.2 偏好推荐 | 第48页 |
| 4.6 本章小结 | 第48-49页 |
| 第五章 基于SPSS的K-Means用户分群的仿真实验 | 第49-57页 |
| 5.1 模拟实验 | 第49-55页 |
| 5.1.1 分析内容 | 第49页 |
| 5.1.2 数据来源和分析方法 | 第49页 |
| 5.1.3 数据处理 | 第49-52页 |
| 5.1.4 数据分析 | 第52-55页 |
| 5.1.5 数据结果 | 第55页 |
| 5.2 本章小结 | 第55-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 本文研究总结 | 第57-58页 |
| 6.2 后续工作与展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63页 |