| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-19页 |
| ·课题背景和意义 | 第11-12页 |
| ·研究现状 | 第12-17页 |
| ·本文的研究内容及框架 | 第17-19页 |
| ·论文内容 | 第17页 |
| ·研究框架 | 第17-19页 |
| 2 Web数据挖掘 | 第19-25页 |
| ·数据挖掘 | 第19-20页 |
| ·Web挖掘 | 第20页 |
| ·Web挖掘分类 | 第20-23页 |
| ·本章小结 | 第23-25页 |
| 3 Web日志挖掘及预处理研究 | 第25-33页 |
| ·Web日志挖掘 | 第25-28页 |
| ·Web日志数据源 | 第25-27页 |
| ·Web日志挖掘的相关概念 | 第27-28页 |
| ·Web日志数据预处理过程 | 第28-32页 |
| ·数据清理 | 第29-30页 |
| ·用户识别 | 第30-31页 |
| ·会话识别 | 第31-32页 |
| ·事务识别 | 第32页 |
| ·模式发现与模式分析 | 第32页 |
| ·本章小结 | 第32-33页 |
| 4 基于Web用户兴趣度事务识别 | 第33-39页 |
| ·兴趣度事务的提出 | 第33页 |
| ·用户兴趣度量 | 第33-36页 |
| ·用户行为 | 第33-34页 |
| ·用户的浏览行为概述 | 第34-35页 |
| ·用户浏览兴趣度量方法 | 第35-36页 |
| ·用户行为的用户浏览兴趣度表示 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 5 Web日志事务聚类方法研究 | 第39-61页 |
| ·聚类分析概念及相关方法 | 第39-47页 |
| ·串行聚类方法 | 第39-41页 |
| ·并行聚类方法 | 第41-42页 |
| ·聚类方法的分类及比较 | 第42-43页 |
| ·数据挖掘对聚类算法的要求 | 第43-44页 |
| ·聚类分析的数学模型 | 第44-45页 |
| ·日志聚类 | 第45-47页 |
| ·兴趣度事务矩阵表示 | 第47-48页 |
| ·相似度事务聚类 | 第48-50页 |
| ·兴趣度事务离散化及数据规格化 | 第48-50页 |
| ·事务间相似度定义 | 第50页 |
| ·改进蚁群算法对兴趣事务聚类 | 第50-59页 |
| ·改进的蚁群算法 | 第51-52页 |
| ·基于K-means的改进信息熵蚁群聚类(KIEAC)组合算法 | 第52-53页 |
| ·算法流程 | 第53-55页 |
| ·算法实现 | 第55-56页 |
| ·聚类分析结果 | 第56-59页 |
| ·本章小结 | 第59-61页 |
| 6 实验与结果分析 | 第61-65页 |
| ·总体思路设计 | 第61页 |
| ·实验过程 | 第61-63页 |
| ·WEB日志进行数据预处理 | 第61-62页 |
| ·设计思路的实现 | 第62-63页 |
| ·实验结果及分析 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 7 总结与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 在校期间研究成果 | 第71-72页 |
| 致谢 | 第72页 |