Web访问对象轨迹聚类方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-14页 |
| ·论文研究背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-12页 |
| ·主要研究内容 | 第12页 |
| ·论文的组织结构 | 第12-14页 |
| 第2章 Web 轨迹聚类方法研究 | 第14-26页 |
| ·Web 使用挖掘 | 第14-19页 |
| ·概述 | 第14-17页 |
| ·相关研究技术方法 | 第17-19页 |
| ·Web 访问轨迹聚类技术方法 | 第19-24页 |
| ·聚类概述 | 第19-21页 |
| ·轨迹聚类相关研究方法 | 第21-24页 |
| ·基于轨迹聚类个性化推荐 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 Web 访问数据预处理研究 | 第26-40页 |
| ·预处理对象及相关技术研究 | 第26-30页 |
| ·预处理对象 | 第26-27页 |
| ·预处理相关技术 | 第27-30页 |
| ·预处理过程具体实现 | 第30-36页 |
| ·数据格式化 | 第30-31页 |
| ·访问数据元识别 | 第31-33页 |
| ·处理数据完整化 | 第33-34页 |
| ·访问事务识别 | 第34-36页 |
| ·验证实验 | 第36-37页 |
| ·实验环境 | 第36页 |
| ·数据预处理过程 | 第36-37页 |
| ·本章小结 | 第37-40页 |
| 第4章 基于投票策略的访问轨迹聚类 | 第40-51页 |
| ·Web 访问轨迹聚类过程 | 第40页 |
| ·基于浏览兴趣的用户相似度计算 | 第40-43页 |
| ·用户兴趣特征表示 | 第41-42页 |
| ·用户相似度计算方法 | 第42-43页 |
| ·基于投票策略的 KPC 聚类算法 | 第43-47页 |
| ·KPC 算法描述 | 第43-45页 |
| ·投票选举策略 | 第45-46页 |
| ·聚类中心 | 第46-47页 |
| ·实验与评价 | 第47-50页 |
| ·用户相似度实验 | 第47-48页 |
| ·基于投票策略的 KPC 聚类对比实验 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第5章 用户访问个性化推荐模型 | 第51-57页 |
| ·用户访问个性化推荐模型 | 第51-52页 |
| ·基于投票策略轨迹聚类的推荐引擎 | 第52-54页 |
| ·推荐模型仿真实验 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63页 |
