| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 绪论 | 第8-16页 |
| ·本论文研究的背景及课题来源 | 第8-10页 |
| ·论文研究背景 | 第8-9页 |
| ·研究动机 | 第9-10页 |
| ·国内外研究现状 | 第10-14页 |
| ·用户行为分析系统研究现状 | 第10-11页 |
| ·用户行为分析系统研究关键问题 | 第11-12页 |
| ·研究的目的及意义 | 第12-14页 |
| ·本文研究内容 | 第14页 |
| ·本文的内容安排 | 第14-16页 |
| 第2章 相关理论知识 | 第16-25页 |
| ·通用数据挖掘技术 | 第16-18页 |
| ·数据挖掘技术主要算法 | 第16-18页 |
| ·数据挖掘一般过程 | 第18页 |
| ·数据挖掘面临的问题及研究方向 | 第18页 |
| ·分类法相关研究 | 第18-24页 |
| ·本章总结 | 第24-25页 |
| 第3章 用户行为分析系统设计 | 第25-38页 |
| ·总体设计方案 | 第25-28页 |
| ·系统总体架构 | 第26页 |
| ·系统各模块功能介绍 | 第26-27页 |
| ·系统架构的设计和实现 | 第27-28页 |
| ·数据库设计 | 第28-30页 |
| ·数据库接口设计 | 第30-35页 |
| ·数据库接口层设计与实现 | 第30-34页 |
| ·框架接口层设计与实现 | 第34-35页 |
| ·用户行为分析挖掘模型 | 第35-37页 |
| ·本章总结 | 第37-38页 |
| 第4章 用户行为分析系统涉及算法 | 第38-59页 |
| ·特征分类定义及要点 | 第38-39页 |
| ·用户行为分析系统的分类特征 | 第39-45页 |
| ·用户分类方法及特征 | 第40-42页 |
| ·协同过滤方法 | 第42-45页 |
| ·朴素贝叶斯增量学习分类 | 第45-51页 |
| ·自学习算法选择 | 第45页 |
| ·贝叶斯分类方法 | 第45-46页 |
| ·贝叶斯的增量学习分类方法 | 第46-51页 |
| ·实验结果及分析 | 第51-55页 |
| ·基于中国联通大客户分析 | 第55-58页 |
| ·数据准备 | 第55页 |
| ·基于贝叶斯增量学习分类算法在中国联通用户分析中的应用 | 第55-58页 |
| ·本章总结 | 第58-59页 |
| 第5章 总结与展望 | 第59-61页 |
| ·本文总结 | 第59-60页 |
| ·展望 | 第60-61页 |
| 参考文献 | 第61-63页 |
| 致谢 | 第63-64页 |
| 附录1 | 第64页 |
| 攻读硕士学位期间发表的学术论文 | 第64页 |
| 攻读硕士学位期间参加的科研项目 | 第64页 |