基于海量行为数据分析的动态建模与概率预测
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 前言 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 用户模型构建 | 第10-11页 |
| 1.2.2 基于记忆曲线的用户行为数据分析 | 第11-12页 |
| 1.2.3 基于贝叶斯网的用户行为数据分析 | 第12页 |
| 1.3 论文结构 | 第12-14页 |
| 第二章 背景知识 | 第14-18页 |
| 2.1 记忆曲线 | 第14-15页 |
| 2.2 贝叶斯网 | 第15-16页 |
| 2.3 MapReduce计算模型 | 第16-18页 |
| 第三章 采用文本聚类方法的数据提取 | 第18-24页 |
| 3.1 有效用户行为数据提取 | 第18-21页 |
| 3.1.1 特征提取 | 第19-20页 |
| 3.1.2 特征概念映射 | 第20-21页 |
| 3.1.3 概念聚类 | 第21页 |
| 3.2 有效用户行为数据的表示 | 第21-22页 |
| 3.3 本章小结 | 第22-24页 |
| 第四章 基于记忆曲线的动态用户行为建模 | 第24-30页 |
| 4.1 动态用户行为模型的表示 | 第24-25页 |
| 4.2 动态用户偏好模型构建 | 第25-29页 |
| 4.2.1 模型参数的增量计算 | 第25-28页 |
| 4.2.2 动态偏好计算 | 第28-29页 |
| 4.3 本章小结 | 第29-30页 |
| 第五章 基于贝叶斯网的用户偏好预测 | 第30-38页 |
| 5.1 动态用户偏好模型的不足 | 第30页 |
| 5.2 贝叶斯网参数学习 | 第30-31页 |
| 5.3 贝叶斯网评分函数 | 第31-32页 |
| 5.4 贝叶斯网结构学习 | 第32-34页 |
| 5.5 根据用户行为数据的偏好预测 | 第34-36页 |
| 5.6 本章小结 | 第36-38页 |
| 第六章 实验测试与原型系统 | 第38-56页 |
| 6.1 实验测试 | 第38-49页 |
| 6.1.1 模型有效性测试 | 第38-40页 |
| 6.1.2 模型参数增量更新算法测试 | 第40-42页 |
| 6.1.3 动态偏好计算算法测试 | 第42-44页 |
| 6.1.4 贝叶斯网建网效率测试 | 第44-45页 |
| 6.1.5 偏好预测方法的有效性测试 | 第45-46页 |
| 6.1.6 偏好预测方法的效率测试 | 第46-49页 |
| 6.2 原型系统 | 第49-55页 |
| 6.2.1 系统架构与系统功能 | 第49-50页 |
| 6.2.2 系统实现 | 第50-53页 |
| 6.2.3 系统界面 | 第53-55页 |
| 6.3 本章小结 | 第55-56页 |
| 第七章 总结与展望 | 第56-58页 |
| 附录 | 第58-64页 |
| A1. 主要实验数据 | 第58-60页 |
| A2. 攻读硕士学位期间的成果 | 第60页 |
| A3. 攻读硕士学位期间参与的科研项目 | 第60-61页 |
| A4. 论文中算法的关键代码 | 第61-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |
