| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-24页 |
| ·研究背景和意义 | 第8-10页 |
| ·本文的研究背景 | 第8-9页 |
| ·本文的研究意义 | 第9-10页 |
| ·数据挖掘研究现状 | 第10-14页 |
| ·数据挖掘的概念 | 第10页 |
| ·数据挖掘的知识类型 | 第10-13页 |
| ·数据挖掘的技术框架 | 第13-14页 |
| ·Web数据挖掘研究现状及分析 | 第14-16页 |
| ·Web数据挖掘的概念 | 第14-15页 |
| ·Web数据挖掘分类 | 第15-16页 |
| ·Web使用挖掘基本流程和研究现状 | 第16-22页 |
| ·Web使用挖掘的基本框架 | 第16-21页 |
| ·Web使用挖掘的研究现状 | 第21-22页 |
| ·本文研究内容与组织框架 | 第22-24页 |
| ·本文研究内容 | 第22-23页 |
| ·本文的组织框架 | 第23-24页 |
| 第2章 Apriori算法在Web关联规则中的应用及改进 | 第24-32页 |
| ·关联规则 | 第24-25页 |
| ·关联规则的思想 | 第24页 |
| ·关联规则的相关概念 | 第24-25页 |
| ·Apriori算法 | 第25-29页 |
| ·Apriori算法介绍 | 第25-29页 |
| ·Apriori算法缺陷 | 第29页 |
| ·Apriori现有改进方法 | 第29页 |
| ·基于概念格改进的Apriori算法 | 第29-30页 |
| ·实验结果与分析 | 第30-32页 |
| 第3章 基于决策树模型的客户预测及其算法改进 | 第32-42页 |
| ·问题描述 | 第32页 |
| ·决策树学习 | 第32-39页 |
| ·决策树学习概述 | 第32-35页 |
| ·ID3建树算法 | 第35页 |
| ·信息增益 | 第35-37页 |
| ·信息增益率 | 第37-38页 |
| ·C4.5算法 | 第38-39页 |
| ·基于随机森林的改进方法 | 第39-40页 |
| ·实验与讨论 | 第40-42页 |
| ·数据集 | 第40-41页 |
| ·实验结果分析 | 第41-42页 |
| 第4章 基于支持向量机模型的好友推荐 | 第42-52页 |
| ·问题描述 | 第42-43页 |
| ·社交网络 | 第42页 |
| ·聚类算法分类 | 第42-43页 |
| ·支持向量机 | 第43-49页 |
| ·SVM简介 | 第43-44页 |
| ·线性分类器 | 第44页 |
| ·分割间隔' | 第44-46页 |
| ·约束条件 | 第46-47页 |
| ·惩罚函数 | 第47页 |
| ·核函数 | 第47-49页 |
| ·实验与讨论 | 第49-52页 |
| ·数据集 | 第49-50页 |
| ·实验结果分析 | 第50-52页 |
| 第5章 展望与总结 | 第52-54页 |
| ·全文总结 | 第52页 |
| ·工作展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |