基于用户上网日志的数据挖掘技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 课题的研究背景 | 第7-8页 |
| 1.2 课题的研究意义 | 第8-9页 |
| 1.3 国内外的研究现状 | 第9-11页 |
| 1.3.1 国内研究现状 | 第9-10页 |
| 1.3.2 国外研究现状 | 第10-11页 |
| 1.4 本文的研究内容和文章结构 | 第11-12页 |
| 1.4.1 主要的研究内容 | 第11-12页 |
| 1.4.2 文章结构 | 第12页 |
| 1.4.3 论文的主要创新点 | 第12页 |
| 1.5 本章小结 | 第12-13页 |
| 第二章 校园网用户上网日志分析与数据挖掘 | 第13-25页 |
| 2.1 网络用户行为的概念及分类 | 第13页 |
| 2.2 校园网概况 | 第13-14页 |
| 2.3 数据挖掘技术分析 | 第14-17页 |
| 2.3.1 数据挖掘的过程 | 第15页 |
| 2.3.2 数据挖掘的主要方法 | 第15-17页 |
| 2.3.3 数据挖掘的常用工具 | 第17页 |
| 2.4 分析工作概述 | 第17-18页 |
| 2.4.1 分析的基本目标 | 第17-18页 |
| 2.4.2 分析的步骤 | 第18页 |
| 2.5 数据的采集 | 第18-21页 |
| 2.5.1 数据来源 | 第18-20页 |
| 2.5.2 数据抽取 | 第20-21页 |
| 2.6 数据预处理 | 第21-24页 |
| 2.6.1 数据清理 | 第21-22页 |
| 2.6.2 数据集成 | 第22页 |
| 2.6.3 数据变换 | 第22-24页 |
| 2.7 本章小结 | 第24-25页 |
| 第三章 关联规则算法的研究及改进 | 第25-48页 |
| 3.1 关联规则Apriori算法 | 第25-33页 |
| 3.1.1 Apriori算法的原理 | 第25-26页 |
| 3.1.2 Apriori算法的描述 | 第26-28页 |
| 3.1.3 关联规则的生成 | 第28-29页 |
| 3.1.4 Apriori算法实例 | 第29-32页 |
| 3.1.5 Apriori算法的缺点 | 第32-33页 |
| 3.2 负关联规则算法 | 第33-36页 |
| 3.2.1 负关联规则的提出 | 第33-34页 |
| 3.2.2 负关联规则的基本定义 | 第34-36页 |
| 3.3 基于Apriori算法的负关联规则算法 | 第36-39页 |
| 3.3.1 算法描述 | 第36-38页 |
| 3.3.2 算法验证实验 | 第38-39页 |
| 3.4 改进的Apriori算法 | 第39-47页 |
| 3.4.1 改进算法的思路 | 第39-40页 |
| 3.4.2 算法的描述 | 第40-42页 |
| 3.4.3 实例分析 | 第42-44页 |
| 3.4.4 实验结果分析 | 第44-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 数据挖掘在校园网用户上网日志分析的应用 | 第48-71页 |
| 4.1 用户上网日志应用类型统计 | 第48-50页 |
| 4.2 Weka平台介绍 | 第50-55页 |
| 4.2.1 Weka平台的特点 | 第50-53页 |
| 4.2.2 数据挖掘流程 | 第53-55页 |
| 4.3 分时段在线人数分析 | 第55-58页 |
| 4.3.1 实验分析 | 第55-57页 |
| 4.3.2 结论 | 第57-58页 |
| 4.4 用户访问网站分析 | 第58-63页 |
| 4.4.1 数据转换 | 第58页 |
| 4.4.2 建立模型 | 第58-62页 |
| 4.4.3 关联规则产生 | 第62-63页 |
| 4.5 不同类别用户上网日志的行为分析 | 第63-70页 |
| 4.5.1 数据处理 | 第63-64页 |
| 4.5.2 文科类用户上网日志分析 | 第64-66页 |
| 4.5.3 理科类用户上网日志分析 | 第66-68页 |
| 4.5.4 工科类用户上网日志分析 | 第68-70页 |
| 4.6 本章小结 | 第70-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 本文的主要工作总结 | 第71-72页 |
| 5.2 未来工作展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 图版 | 第77-79页 |
| 附录 | 第79-80页 |
