| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第7-10页 |
| ·研究背景 | 第7页 |
| ·研究意义 | 第7-8页 |
| ·论文的创新点 | 第8-9页 |
| ·本文所做的工作 | 第9-10页 |
| 第二章 核心理论与技术 | 第10-21页 |
| ·Web数据挖掘 | 第10-14页 |
| ·Web数据挖掘的分类 | 第10-12页 |
| ·Web访问信息挖掘过程 | 第12页 |
| ·Web访问信息挖掘的应用 | 第12-13页 |
| ·Web挖掘的数据来源 | 第13-14页 |
| ·客户浏览兴趣度介绍 | 第14-20页 |
| ·客户浏览行为 | 第14页 |
| ·基于客户浏览行为的挖掘 | 第14-15页 |
| ·计算文档向量方法 | 第15-17页 |
| ·客户浏览兴趣的度量 | 第17-19页 |
| ·兴趣度计算 | 第19-20页 |
| ·本章小节 | 第20-21页 |
| 第三章 个性化推荐算法介绍 | 第21-30页 |
| ·个性化推荐算法概述 | 第21页 |
| ·聚类分析算法的概念 | 第21-22页 |
| ·聚类算法相似性的度量 | 第22-23页 |
| ·K-means聚类算法 | 第23-25页 |
| ·算法描述(k-平均值算法) | 第23-24页 |
| ·k-means算法的局限性 | 第24-25页 |
| ·改进的K-means聚类算法 | 第25-26页 |
| ·算法描述 | 第25-26页 |
| ·算法的改进 | 第26页 |
| ·协同过滤推荐算法 | 第26-29页 |
| ·协同过滤算法实现步聚 | 第27-28页 |
| ·协同过滤方法存在的问题 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第四章 基于聚类的协同过滤推荐算法 | 第30-34页 |
| ·基于聚类的(Cluster-based)协同过滤推荐算法概述 | 第30页 |
| ·基于聚类的协同过滤推荐算法的实现步聚 | 第30-32页 |
| ·聚类生成 | 第31页 |
| ·最近邻查询 | 第31-32页 |
| ·推荐产生 | 第32页 |
| ·本章小节 | 第32-34页 |
| 第五章 基于聚类的协同过滤个性化推荐系统 | 第34-49页 |
| ·系统结构 | 第34-35页 |
| ·离线模块 | 第35-44页 |
| ·数据预处理 | 第36-41页 |
| ·数据兴趣度计算 | 第41-44页 |
| ·数据集分类 | 第44页 |
| ·在线推荐模块 | 第44-45页 |
| ·系统实现 | 第45-48页 |
| ·数据集 | 第45-46页 |
| ·实验结果及分析 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第六章 结论与展望 | 第49-51页 |
| ·总结 | 第49页 |
| ·展望 | 第49-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 附录 | 第55-56页 |
| 附录1:作者在攻读硕士学位期间发表的论文清单 | 第55页 |
| 附录2:作者在攻读硕士学位期间参与的科研项目清单 | 第55-56页 |