基于访问日志的聚类分析和个性化推荐应用研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-17页 |
| ·研究背景及意义 | 第10-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·国外研究现状 | 第12-13页 |
| ·国内研究现状 | 第13-14页 |
| ·论文的研究内容和创新点 | 第14-15页 |
| ·论文的组织结构 | 第15-17页 |
| 第二章 从数据挖掘到Web挖掘 | 第17-24页 |
| ·数据挖掘概述 | 第17-18页 |
| ·Web数据挖掘 | 第18-21页 |
| ·Web数据挖掘的特点 | 第19页 |
| ·Web数据挖掘的分类 | 第19-21页 |
| ·基于Web日志的挖掘 | 第21-24页 |
| ·Web日志挖掘的数据源 | 第21-22页 |
| ·Web日志挖掘的过程 | 第22-23页 |
| ·Web日志的挖掘应用 | 第23-24页 |
| 第三章 基于用户聚类的个性化推荐相关技术 | 第24-38页 |
| ·聚类分析 | 第24-26页 |
| ·聚类分析概念及应用 | 第24页 |
| ·聚类分析常用方法 | 第24-26页 |
| ·改进的K-Means聚类算法 | 第26-30页 |
| ·K-Means算法介绍 | 第26-27页 |
| ·K-Means算法改进 | 第27-30页 |
| ·基于访问频次和时间的用户兴趣模型建立 | 第30-33页 |
| ·用户的兴趣度量 | 第30-31页 |
| ·基于用户访问日志的兴趣度计算 | 第31-33页 |
| ·用户兴趣的相似性衡量 | 第33页 |
| ·一种基于用户聚类的协同过滤推荐方法 | 第33-38页 |
| ·基于用户的协同过滤推荐算法 | 第34-36页 |
| ·协同过滤算法存在的问题 | 第36-37页 |
| ·基于用户聚类的协同过滤推荐 | 第37-38页 |
| 第四章 基于用户日志聚类的个性化应用实验 | 第38-48页 |
| ·基于聚类的个性化推荐应用体系结构 | 第38-39页 |
| ·数据来源及预处理 | 第39-43页 |
| ·数据源的搜集 | 第39-41页 |
| ·日志数据的预处理 | 第41-43页 |
| ·用户-站点访问模式矩阵的建立 | 第43-45页 |
| ·相似用户K-Means聚类 | 第45-47页 |
| ·类内协同推荐 | 第47-48页 |
| ·实验结果分析 | 第48页 |
| 第五章 总结与展望 | 第48-53页 |
| ·本文所做的工作 | 第48-49页 |
| ·应用场景 | 第49-52页 |
| ·浏览器站点推送 | 第49-50页 |
| ·导航站个性化站点推送 | 第50-51页 |
| ·站点广告定向投送 | 第51-52页 |
| ·存在问题和后续展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 附录 科研成果与学术活动 | 第56-57页 |
| 致谢 | 第57-58页 |
