| 摘要 | 第1-4页 |
| ABSTRACT | 第4-5页 |
| 目录 | 第5-8页 |
| 第一章 绪论 | 第8-11页 |
| ·研究背景 | 第8-9页 |
| ·本文研究的内容 | 第9页 |
| ·本文的结构 | 第9-11页 |
| 第二章 知识背景 | 第11-24页 |
| ·数据挖掘概论 | 第11-13页 |
| ·什么是数据挖掘 | 第11页 |
| ·数据挖掘的一般过程 | 第11-12页 |
| ·数据挖掘的一般算法模型 | 第12-13页 |
| ·WEB日志挖掘 | 第13-18页 |
| ·什么是Web挖掘 | 第13-14页 |
| ·Web挖掘的分类 | 第14-16页 |
| ·Web日志挖掘 | 第16-18页 |
| ·智能推荐概论 | 第18-23页 |
| ·网上智能 | 第18-19页 |
| ·智能推荐系统 | 第19-20页 |
| ·智能推荐系统的主要推荐方法 | 第20-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 MARKOV预测模型 | 第24-35页 |
| ·MARKOV原型 | 第24-26页 |
| ·MARKOV模型在页面推荐中的应用 | 第26-27页 |
| ·K元MARKOV模型转移概率矩阵构造算法描述 | 第27-30页 |
| ·混合MARKOV模型方法 | 第30-32页 |
| ·MARKOV模型算法分析 | 第32-34页 |
| ·MARKOV模型算法的问题 | 第34页 |
| ·本章小结 | 第34-35页 |
| 第四章 改进MARKOV预测模型 | 第35-41页 |
| ·聚类方法 | 第35-37页 |
| ·聚类方法基础上的MARKOV预测模型 | 第37-39页 |
| ·基于聚类方法的MARKOV预测方法的分析 | 第39页 |
| ·改进MARKOV预测模型的问题 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第五章 MARKOV预测模型的准确性研究 | 第41-53页 |
| ·考察页面访问时间 | 第41-45页 |
| ·页面访问时间 | 第41页 |
| ·页面访问时间的离散化 | 第41-42页 |
| ·页面权重 | 第42-43页 |
| ·引入页面访问时间的Markov预测模型 | 第43-44页 |
| ·访问时间权值的问题 | 第44-45页 |
| ·考察个体用户特征 | 第45-51页 |
| ·引入用户的Markov模型 | 第45-47页 |
| ·引入个体特征参数 | 第47-49页 |
| ·用户聚类 | 第49-50页 |
| ·多用户聚类Markov预测模型的分析 | 第50-51页 |
| ·改进方法和协同过滤方法的比较 | 第51-52页 |
| ·结合聚类的协同过滤方法 | 第51-52页 |
| ·比较 | 第52页 |
| ·本章小结 | 第52-53页 |
| 第六章 智能推荐系统架构 | 第53-63页 |
| ·智能推荐系统的特点和需求 | 第53-54页 |
| ·智能推荐系统框架 | 第54-55页 |
| ·主要AGENT功能 | 第55-58页 |
| ·数据转换Agent | 第55-56页 |
| ·Markov模型分析Agent和聚类分析Agent | 第56-57页 |
| ·数据挖掘Agent | 第57页 |
| ·推荐生成Agent | 第57-58页 |
| ·管理Agent | 第58页 |
| ·应用中的主要工作 | 第58-62页 |
| ·本章小结 | 第62-63页 |
| 第七章 总结与展望 | 第63-65页 |
| ·总结 | 第63-64页 |
| ·展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69页 |