基于网络日志的用户行为分析与研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 选题背景与意义 | 第11-12页 |
| 1.2 网络日志挖掘在用户行为分析方面的研究现状 | 第12-17页 |
| 1.2.1 在电商领域的研究现状 | 第14-15页 |
| 1.2.2 在优化搜索引擎方面的研究现状 | 第15-16页 |
| 1.2.3 在舆情分析方面的研究现状 | 第16页 |
| 1.2.4 研究中存在的一些缺陷和不完善之处 | 第16-17页 |
| 1.3 主要研究内容 | 第17-18页 |
| 1.4 论文章节安排 | 第18-19页 |
| 第二章 相关理论与技术应用研究 | 第19-31页 |
| 2.1 Web挖掘技术 | 第19-20页 |
| 2.2 互联网用户行为分析 | 第20-22页 |
| 2.2.1 网络用户行为的概念 | 第20页 |
| 2.2.2 用户行为的特征 | 第20页 |
| 2.2.3 网络用户行为分析的分类 | 第20-22页 |
| 2.3 机器学习算法研究 | 第22-28页 |
| 2.3.1 聚类算法 | 第22-25页 |
| 2.3.2 分类算法 | 第25-26页 |
| 2.3.3 序列模式 | 第26页 |
| 2.3.4 推荐算法 | 第26-28页 |
| 2.4 互联网用户行为分析工具 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 Web挖掘结构及相关算法改进 | 第31-44页 |
| 3.1 用户行为分析系统一般结构 | 第31-33页 |
| 3.2 会话识别算法优化 | 第33-36页 |
| 3.2.1 用户识别 | 第33页 |
| 3.2.2 会话识别 | 第33-35页 |
| 3.2.3 基于时间阈值和首页识别的会话识别算法 | 第35-36页 |
| 3.3 基于Kmeans和GMM的两阶段聚类算法 | 第36-39页 |
| 3.3.1 Kmeans与GMM优缺点对比 | 第36-37页 |
| 3.3.2 两阶段聚类算法流程 | 第37-38页 |
| 3.3.3 聚类结果实验数据对比 | 第38-39页 |
| 3.4 基于商品购买周期的推荐算法模型 | 第39-43页 |
| 3.4.1 算法应用场景 | 第39页 |
| 3.4.2 商品购买周期分类因子 | 第39-40页 |
| 3.4.3 基于商品购买周期的推荐算法流程 | 第40-42页 |
| 3.4.4 实验结果对比 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 用户行为分析系统设计 | 第44-54页 |
| 4.1 需求分析 | 第44-45页 |
| 4.1.1 系统业务需求 | 第44页 |
| 4.1.2 系统功能需求 | 第44-45页 |
| 4.2 系统总体设计 | 第45-47页 |
| 4.2.1 系统基本架构设计 | 第45-46页 |
| 4.2.2 系统功能流程设计 | 第46-47页 |
| 4.3 数据库设计 | 第47-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 用户行为分析系统实现 | 第54-74页 |
| 5.1 数据预处理 | 第54-55页 |
| 5.1.1 数据清洗 | 第54-55页 |
| 5.1.2 数据变换 | 第55页 |
| 5.1.3 数据演绎 | 第55页 |
| 5.2 日志文件准备 | 第55-58页 |
| 5.2.1 文件上传 | 第55-56页 |
| 5.2.2 事务标引 | 第56-58页 |
| 5.3 会话识别与分析 | 第58-59页 |
| 5.3.1 会话识别 | 第58页 |
| 5.3.2 会话分析 | 第58-59页 |
| 5.4 统计分析 | 第59-60页 |
| 5.5 主题挖掘 | 第60-66页 |
| 5.5.1 按兴趣用户分群 | 第60-61页 |
| 5.5.2 访问习惯用户分类 | 第61-63页 |
| 5.5.3 用户常用路径发现 | 第63-65页 |
| 5.5.4 细分用户画像 | 第65-66页 |
| 5.6 应用页面展示 | 第66-73页 |
| 5.7 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 工作总结 | 第74页 |
| 6.2 工作展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-81页 |
| 攻读研究生期间发表的学术论文 | 第81页 |
