蚁群与K均值聚类算法融合研究及其在用户分群中的应用
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-16页 |
| ·研究背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-14页 |
| ·数据挖掘研究现状 | 第11-12页 |
| ·聚类算法及其应用研究现状 | 第12-14页 |
| ·课题来源 | 第14-15页 |
| ·论文的主要内容和组织结构 | 第15-16页 |
| 2 营销理论及数据挖掘技术 | 第16-24页 |
| ·营销理论 | 第16-20页 |
| ·营销 | 第16页 |
| ·市场细分 | 第16-20页 |
| ·数据挖掘技术 | 第20-23页 |
| ·数据挖掘与知识发现 | 第20-21页 |
| ·数据挖掘方法 | 第21-22页 |
| ·数据挖掘在企业客户管理中的应用 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 3 聚类算法 | 第24-43页 |
| ·聚类算法基本概念与解决方法 | 第24-29页 |
| ·数据预处理 | 第24-27页 |
| ·选取适合的邻近性度量 | 第27-28页 |
| ·有效性评估 | 第28-29页 |
| ·聚类分析算法的分类 | 第29-31页 |
| ·K-means聚类算法 | 第31-33页 |
| ·算法基本思想 | 第31页 |
| ·算法实现流程 | 第31-32页 |
| ·算法最佳聚类中心确定 | 第32-33页 |
| ·蚁群聚类算法 | 第33-40页 |
| ·基本蚁群优化算法 | 第34-37页 |
| ·基于蚁群觅食行为的蚁群聚类算法 | 第37-39页 |
| ·基于蚁堆形成原理的蚁群聚类算法 | 第39-40页 |
| ·算法的优缺点及现有改进方法 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 4 改进的聚类算法Ant-K-means | 第43-58页 |
| ·基于信息素的K-means算法的改进 | 第43-46页 |
| ·基于信息素的K-means算法 | 第43-45页 |
| ·改进基于信息素的K-means算法 | 第45-46页 |
| ·Ant-K-means聚类算法 | 第46-50页 |
| ·算法的实现流程 | 第47-48页 |
| ·样本数据集获取 | 第48-49页 |
| ·样本数据集的蚁群聚类 | 第49-50页 |
| ·原数据集聚类 | 第50页 |
| ·实验验证 | 第50-57页 |
| ·实验环境及数据源 | 第50-51页 |
| ·改进的基于信息素的K-means算法验证 | 第51-54页 |
| ·Ant-K-means算法验证 | 第54-56页 |
| ·实验结论 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 5 算法在企业论坛用户分群中的应用 | 第58-77页 |
| ·论坛用户分群 | 第58页 |
| ·用户分群系统设计 | 第58-61页 |
| ·系统功能与系统结构 | 第58-60页 |
| ·系统程序流程 | 第60-61页 |
| ·数据获取 | 第61-66页 |
| ·数据库直接获取的数据 | 第61-64页 |
| ·间接获取的数据 | 第64-66页 |
| ·数据预处理 | 第66-69页 |
| ·数据清洗 | 第66-67页 |
| ·特征选择 | 第67-68页 |
| ·特征提取 | 第68-69页 |
| ·用户聚类 | 第69-71页 |
| ·用户聚类结果分析与可视化 | 第71-76页 |
| ·本章小结 | 第76-77页 |
| 结论 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-84页 |
| 攻读学位期间发表的相关学术论文及研究成果 | 第84页 |
