基于网络用户行为分析的网络电视节目推荐系统
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文主要研究内容 | 第13页 |
| 1.4 论文结构安排 | 第13-15页 |
| 第2章 商业智能系统概述 | 第15-21页 |
| 2.1 商业智能概述 | 第15-16页 |
| 2.2 商业智能的发展 | 第16-18页 |
| 2.2.1 商业智能在国外的发展 | 第16页 |
| 2.2.2 商业智能在国内的发展 | 第16-17页 |
| 2.2.3 商业智能的市场发展前景 | 第17-18页 |
| 2.3 商业智能系统结构 | 第18-19页 |
| 2.3.1 商业智能系统相关技术 | 第18页 |
| 2.3.2 商业智能系统体系架构 | 第18-19页 |
| 2.4 商业智能系统设计 | 第19-21页 |
| 第3章 数据挖掘与大数据技术 | 第21-34页 |
| 3.1 微博数据 | 第21-22页 |
| 3.2.0 数据种类 | 第21页 |
| 3.2.1 数据特点 | 第21页 |
| 3.2.2 数据应用 | 第21-22页 |
| 3.2 常用数据挖掘算法 | 第22-28页 |
| 3.2.1 数据挖掘 | 第22页 |
| 3.2.2 K-Means聚类分析算法 | 第22-24页 |
| 3.2.3 Apriori关联规则算法 | 第24-28页 |
| 3.3 大数据分析技术 | 第28-34页 |
| 3.3.1 大数据面临的挑战 | 第28-29页 |
| 3.3.2 大数据分析处理平台——Hadoop | 第29-34页 |
| 第4章 系统需求分析与架构设计 | 第34-39页 |
| 4.1 系统需求分析 | 第34-35页 |
| 4.1.1 系统数据需求分析 | 第34页 |
| 4.1.2 系统用户行为分析 | 第34-35页 |
| 4.2 用户兴趣模型建模 | 第35页 |
| 4.2.1 用户兴趣模型 | 第35页 |
| 4.2.2 用户兴趣模型算法 | 第35页 |
| 4.3 个性化推荐算法 | 第35-39页 |
| 4.3.1 协同过滤推荐算法 | 第36-38页 |
| 4.3.2 基于关联规则的推荐算法 | 第38-39页 |
| 第5章 系统详细设计与实现 | 第39-55页 |
| 5.1 系统数据库设计 | 第39-40页 |
| 5.2 系统功能和目标 | 第40-41页 |
| 5.3 系统结构与框架 | 第41-55页 |
| 5.3.1 系统框架 | 第41页 |
| 5.3.2 用户数据分析处理 | 第41-43页 |
| 5.3.3 用户特征分类 | 第43-49页 |
| 5.3.4 用户兴趣提取 | 第49-50页 |
| 5.3.5 热门微博 | 第50-51页 |
| 5.3.6 数据存储 | 第51-55页 |
| 总结与展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60页 |
