Web数据挖掘在网上书店个性化推荐系统中的应用研究
| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-11页 |
| 1 绪论 | 第11-15页 |
| ·课题研究的背景和意义 | 第11-12页 |
| ·研究现状及发展趋势 | 第12-13页 |
| ·Web 数据挖掘研究现状 | 第12页 |
| ·个性化推荐研究现状 | 第12-13页 |
| ·本文研究的主要内容 | 第13-15页 |
| 2 数据挖掘和Web 挖掘 | 第15-26页 |
| ·数据挖掘研究的理论基础 | 第15-16页 |
| ·数据挖掘与知识发现及表示 | 第16-19页 |
| ·数据挖掘知识的过程 | 第16-17页 |
| ·数据挖掘的知识表示 | 第17-19页 |
| ·数据挖掘的任务 | 第19-22页 |
| ·分类分析 | 第20页 |
| ·聚类分析 | 第20页 |
| ·关联分析 | 第20-21页 |
| ·序列模式分析 | 第21页 |
| ·异常检测 | 第21页 |
| ·预测分析 | 第21-22页 |
| ·Web 数据挖掘的基本概念 | 第22页 |
| ·Web 数据挖掘的分类 | 第22-25页 |
| ·Web 内容挖掘 | 第23页 |
| ·Web 结构挖掘 | 第23-24页 |
| ·Web 使用挖掘 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 3 个性化推荐及其主要算法 | 第26-36页 |
| ·个性化推荐 | 第26页 |
| ·个性化推荐模型的建立 | 第26-28页 |
| ·个性化推荐技术的主要算法 | 第28-33页 |
| ·基于内容过滤的推荐算法 | 第29页 |
| ·基于协同过滤的推荐算法 | 第29-33页 |
| ·其他推荐技术 | 第33-34页 |
| ·基于效用推荐 | 第33页 |
| ·基于知识推荐 | 第33页 |
| ·组合推荐 | 第33-34页 |
| ·基于贝叶斯网络的推荐 | 第34页 |
| ·基于Horting 图的推荐 | 第34页 |
| ·协同过滤推荐算法存在的问题 | 第34-35页 |
| ·数据稀疏性问题 | 第34页 |
| ·算法的可扩展性问题 | 第34-35页 |
| ·冷启动问题 | 第35页 |
| ·本章小结 | 第35-36页 |
| 4 基于Web 数据挖掘的个性化推荐 | 第36-54页 |
| ·基于Web 数据挖掘的个性化推荐流程 | 第36-40页 |
| ·数据输入 | 第37-39页 |
| ·数据预处理 | 第39页 |
| ·模式分析 | 第39页 |
| ·在线推荐 | 第39-40页 |
| ·个性化推荐系统的实现模型 | 第40-41页 |
| ·离线预处理过程 | 第41页 |
| ·基于关联规则的协同过滤推荐算法 | 第41-48页 |
| ·关联规则的基本知识 | 第41-43页 |
| ·关联规则的挖掘任务 | 第43-46页 |
| ·基于聚集树的关联规则发现算法 | 第46-48页 |
| ·基于聚类的协同过滤推荐算法 | 第48-52页 |
| ·聚类分析的描述 | 第48-49页 |
| ·信息获取与预处理 | 第49-50页 |
| ·计算相似度 | 第50页 |
| ·基于项目K-Means 聚类算法 | 第50-51页 |
| ·寻找近邻 | 第51页 |
| ·生成推荐 | 第51-52页 |
| ·基于聚类和关联规则的协同过滤推荐算法 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 5 实验分析及结果 | 第54-63页 |
| ·数据集的选取 | 第54页 |
| ·度量标准 | 第54-55页 |
| ·实验设计及模拟 | 第55-60页 |
| ·实验结果比较 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 6 个性化推荐在网上书店中的应用 | 第63-69页 |
| ·系统功能设计 | 第63-64页 |
| ·数据库的设计 | 第64页 |
| ·个性化推荐功能实现 | 第64-68页 |
| ·前台页面显示功能实现 | 第64-67页 |
| ·后台页面管理功能 | 第67-68页 |
| ·本章小结 | 第68-69页 |
| 结论 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 作者简历 | 第73-75页 |
| 学位论文数据集 | 第75-76页 |
