| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景和意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-19页 |
| 1.2.1 数据挖掘技术现状 | 第17-18页 |
| 1.2.2 用户画像技术现状 | 第18-19页 |
| 1.3 研究内容 | 第19-20页 |
| 1.4 论文结构 | 第20-22页 |
| 第二章 相关理论与技术 | 第22-36页 |
| 2.1 数据挖掘技术 | 第22-29页 |
| 2.1.1 数据挖掘的定义 | 第22页 |
| 2.1.2 数据挖掘的流程 | 第22-25页 |
| 2.1.3 分类算法理论 | 第25-26页 |
| 2.1.4 聚类算法理论 | 第26-29页 |
| 2.2 用户画像技术 | 第29-35页 |
| 2.2.1 用户画像的定义 | 第29-30页 |
| 2.2.2 远程教育用户画像标签体系 | 第30-33页 |
| 2.2.3 用户画像构建流程 | 第33-35页 |
| 2.3 本章小结 | 第35-36页 |
| 第三章 基于Logistic的远程教育用户辍学模型 | 第36-44页 |
| 3.1 Logistic回归模型 | 第36-38页 |
| 3.1.1 Logistic函数 | 第36-37页 |
| 3.1.2 Logistic回归模型 | 第37-38页 |
| 3.2 远程教育用户辍学模型构建 | 第38-42页 |
| 3.2.1 梯度下降算法 | 第38-39页 |
| 3.2.2 数据准备 | 第39-40页 |
| 3.2.3 数据预处理及变量选择 | 第40-41页 |
| 3.2.4 模型构建及解释 | 第41-42页 |
| 3.3 模型评价 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 K-Means算法研究及改进 | 第44-56页 |
| 4.1 K-Means算法研究 | 第44-48页 |
| 4.1.1 算法基本思想 | 第44页 |
| 4.1.2 算法相关概念 | 第44-45页 |
| 4.1.3 K-Means算法流程 | 第45-47页 |
| 4.1.4 K-Means算法性能分析 | 第47-48页 |
| 4.2 改进的K-Means算法 | 第48-54页 |
| 4.2.1 改进算法基本思想 | 第48-49页 |
| 4.2.2 改进算法设计 | 第49-50页 |
| 4.2.3 算法准确率比较 | 第50-54页 |
| 4.3 本章小结 | 第54-56页 |
| 第五章 用户画像构建及应用 | 第56-76页 |
| 5.1 体系结构设计 | 第56-57页 |
| 5.2 学习平台模块 | 第57-61页 |
| 5.2.1 学习平台模块设计 | 第57-58页 |
| 5.2.2 学习平台技术框架 | 第58-59页 |
| 5.2.3 学习平台模块实现 | 第59-61页 |
| 5.3 数据采集和存储模块 | 第61-65页 |
| 5.3.1 点击流数据 | 第61-62页 |
| 5.3.2 点击流数据采集 | 第62-63页 |
| 5.3.3 数据的存储 | 第63-65页 |
| 5.4 数据预处理模块 | 第65-67页 |
| 5.4.1 web日志预处理模块 | 第65-66页 |
| 5.4.2 数据库数据预处理模块 | 第66-67页 |
| 5.5 用户画像构建模块 | 第67-75页 |
| 5.5.1 个体用户画像构建 | 第68-70页 |
| 5.5.2 群体用户画像构建 | 第70-73页 |
| 5.5.3 其他功能模块 | 第73-74页 |
| 5.5.4 用户画像应用 | 第74-75页 |
| 5.6 本章小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 论文总结 | 第76页 |
| 6.2 论文展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-84页 |
| 作者简介 | 第84页 |