互联网访问数据用户识别与兴趣度分析--电信用户数据
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第9-11页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 用户识别 | 第12-13页 |
| 1.2.2 兴趣度分析 | 第13-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 组织结构 | 第15页 |
| 1.5 本章小结 | 第15-16页 |
| 第二章 相关技术 | 第16-24页 |
| 2.1 聚类算法 | 第16-18页 |
| 2.2 语义相似度 | 第18-19页 |
| 2.3 维基百科词库 | 第19-20页 |
| 2.4 Hadoop | 第20-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 用户识别 | 第24-36页 |
| 3.1 数据清理 | 第24-27页 |
| 3.2 会话识别 | 第27-29页 |
| 3.2.1 传统会话识别 | 第27-28页 |
| 3.2.2 本文会话识别 | 第28-29页 |
| 3.3 Cookie 提取 | 第29-32页 |
| 3.4 用户识别 | 第32-34页 |
| 3.5 本章小结 | 第34-36页 |
| 第四章 用户兴趣特征分析 | 第36-49页 |
| 4.1 业务流程分析 | 第36-37页 |
| 4.2 关键字提取 | 第37-39页 |
| 4.3 关键字的语义消歧 | 第39-44页 |
| 4.3.1 基于维基百科分类词库的中文语义消歧 | 第40-42页 |
| 4.3.2 采用语义消歧算法的关键字消歧 | 第42-44页 |
| 4.4 用户兴趣特征分析 | 第44-45页 |
| 4.5 相似特征用户挖掘 | 第45-48页 |
| 4.5.1 构建兴趣特征分类词库 | 第45-46页 |
| 4.5.2 用户相似度计算 | 第46-47页 |
| 4.5.3 商品与信息的推荐 | 第47-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第五章 基于 Hadoop 的系统设计与实现 | 第49-65页 |
| 5.1 Hadoop 运行环境 | 第49页 |
| 5.2 系统设计 | 第49-51页 |
| 5.2.1 系统整体架构 | 第49-50页 |
| 5.2.2 系统详细设计 | 第50-51页 |
| 5.3 用户识别分析 | 第51-56页 |
| 5.3.1 会话识别 | 第52-54页 |
| 5.3.2 用户识别 | 第54-56页 |
| 5.4 用户兴趣特征分析 | 第56-64页 |
| 5.4.1 关键字提取 | 第57-59页 |
| 5.4.2 用户兴趣特征提取 | 第59-63页 |
| 5.4.3 相似特征用户挖掘 | 第63-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70页 |
