基于用户兴趣和模糊聚类的Web日志挖掘应用研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 研究框架 | 第11-14页 |
| 1.3.1 研究内容 | 第11-12页 |
| 1.3.2 研究思路 | 第12-14页 |
| 1.4 创新点 | 第14-15页 |
| 第2章 Web日志挖掘及其技术基础 | 第15-27页 |
| 2.1 数据挖掘概述 | 第15-16页 |
| 2.2 Web挖掘 | 第16-18页 |
| 2.3 Web日志挖掘 | 第18-20页 |
| 2.3.1 Web日志挖掘过程 | 第18-19页 |
| 2.3.2 Web日志挖掘技术 | 第19-20页 |
| 2.4 聚类挖掘基础介绍 | 第20-25页 |
| 2.4.1 聚类算法的基本思想 | 第20-21页 |
| 2.4.2 常用的聚类分析方法 | 第21-23页 |
| 2.4.3 模糊C-均值聚类算法 | 第23-25页 |
| 2.5 Web日志聚类 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 改进的用户兴趣相似度算法 | 第27-37页 |
| 3.1 用户兴趣相似度算法的内容 | 第27-32页 |
| 3.1.1 用户兴趣 | 第27-30页 |
| 3.1.2 用户相似度 | 第30-32页 |
| 3.1.3 用户兴趣相似度 | 第32页 |
| 3.2 用户兴趣相似度算法的步骤 | 第32-35页 |
| 3.3 用户兴趣相似度算法的实例 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于共享历史最优粒子群的自适应FCM算法 | 第37-52页 |
| 4.1 SHBPSO-AFCM算法思路 | 第37-38页 |
| 4.2 SHBPSO-AFCM算法内容 | 第38-46页 |
| 4.2.1 改进的粒子群优化算法 | 第38-43页 |
| 4.2.2 自适应模糊权重m值 | 第43-45页 |
| 4.2.3 聚类有效性分析 | 第45-46页 |
| 4.3 SHBPSO-AFCM算法步骤 | 第46-48页 |
| 4.4 实验及结果分析 | 第48-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 Web日志挖掘应用 | 第52-63页 |
| 5.1 数据预处理 | 第52-59页 |
| 5.1.1 Web日志介绍 | 第52-54页 |
| 5.1.2 数据收集 | 第54-55页 |
| 5.1.3 预处理过程 | 第55-59页 |
| 5.2 用户聚类的实现 | 第59-61页 |
| 5.3 实验及结果分析 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 总结与展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 附录 | 第71-73页 |
| 个人简历及科研成果 | 第73页 |
