基于Web日志挖掘的聚类算法研究及应用
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 论文的研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 论文主要内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第2章 Web日志挖掘相关理论和技术 | 第15-31页 |
| 2.1 Web日志挖掘 | 第15-22页 |
| 2.1.1 数据挖掘 | 第15-17页 |
| 2.1.2 Web数据挖掘 | 第17-19页 |
| 2.1.3 Web日志挖掘 | 第19-22页 |
| 2.2 数据预处理 | 第22-24页 |
| 2.3 聚类分析 | 第24-29页 |
| 2.3.1 概述 | 第24-26页 |
| 2.3.2 聚类方法分类 | 第26-28页 |
| 2.3.3 K-Means聚类算法 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 日志数据预处理 | 第31-43页 |
| 3.1 Web日志的数据清洗 | 第31-32页 |
| 3.2 基于多重约束条件的用户识别 | 第32-34页 |
| 3.3 会话识别及STT值确定 | 第34-35页 |
| 3.4 识别有效用户事务 | 第35-38页 |
| 3.4.1 问题的提出 | 第36-37页 |
| 3.4.2 改进的事务识别算法 | 第37-38页 |
| 3.5 实验分析 | 第38-40页 |
| 3.6 本章小结 | 第40-43页 |
| 第4章 聚类分析算法研究 | 第43-59页 |
| 4.1 Web日志聚类数据表示 | 第43-44页 |
| 4.1.1 用户事务向量 | 第43页 |
| 4.1.2 用户事务兴趣度度量矩阵 | 第43-44页 |
| 4.2 相似度度量 | 第44-48页 |
| 4.2.1 基于距离的度量方法 | 第44-46页 |
| 4.2.2 相似系数 | 第46-47页 |
| 4.2.3 用户事务相似性度量 | 第47-48页 |
| 4.3 改进K-Means算法 | 第48-53页 |
| 4.3.1 问题的提出 | 第48页 |
| 4.3.2 模糊聚类参数确定 | 第48-50页 |
| 4.3.3 模糊聚类过程及结果调整 | 第50-52页 |
| 4.3.4 改进K-Means算法总结描述 | 第52-53页 |
| 4.4 实验分析 | 第53-58页 |
| 4.4.1 聚类初始中心点选择实验 | 第54-55页 |
| 4.4.2 聚类准确性实验 | 第55-56页 |
| 4.4.3 用户事务聚类实验 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 系统设计实现 | 第59-69页 |
| 5.1 总体设计 | 第59-62页 |
| 5.1.1 设计目标 | 第59页 |
| 5.1.2 总结结构设计 | 第59-61页 |
| 5.1.3 模块结构设计 | 第61-62页 |
| 5.2 系统实现 | 第62-66页 |
| 5.2.1 日志数据存储功能 | 第62-63页 |
| 5.2.2 数据预处理功能 | 第63-64页 |
| 5.2.3 聚类分析功能 | 第64页 |
| 5.2.4 聚类结果分析功能 | 第64-66页 |
| 5.3 本章小结 | 第66-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间取得的研究成果 | 第75-77页 |
| 致谢 | 第77页 |
