结合时间窗的用户访问兴趣聚类分析

论文摘要

近年来,Web技术快速发展和广泛应用促使各站点积累了大量的业务数据,从这些数据中发现具有相似访问兴趣的用户群体具有重要的意义。论文研究了结合时间窗的访问兴趣聚类分析,解决了以往兴趣模型单纯考虑页面喜好所导致的聚类结果准确度不够的问题。在分析影响页面喜好的各因素以及用户访问时间规律性的基础上,本文提出了多用户页面访问兴趣模型、多用户时间窗访问兴趣模型和多用户多页面的时间窗访问兴趣模型,以分别用于描述各用户对于各页面的访问情况、各用户在各时间窗内对站点的访问情况和各用户对于各页面在每一时间窗内的访问情况,从不同角度剖析了用户的访问兴趣。在以上模型的基础上,提出了页面喜好协调时间窗的聚类算法、时间窗协调页面喜好的聚类算法和页面喜好结合时间窗的聚类算法,综合了页面喜好和时间窗访问因素提升了聚类结果的准确度和丰富程度。实验表明,页面喜好协调时间窗的聚类算法和时间窗协调页面喜好的聚类算法在综合页面喜好和时间窗的基础上,有效地改善了单纯地考虑任一因素所导致的准确度不够的问题；页面喜好结合时间窗的聚类算法在结合页面喜好和时间窗因素的基础上,通过优化初始点选择算法有效地克服K-Means算法对初始点过于依赖的问题。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 Web用户访问兴趣的聚类技术发展状况
• 1.2.1 基于访问兴趣聚类分析的研究分类
• 1.2.2 国内外研究现状
• 1.2.3 基于访问兴趣的聚类分析存在的问题
• 1.3 本文的工作与组织结构
• 第二章 相关理论和技术
• 2.1 数据挖掘的相关理论
• 2.2 数据挖掘涉及的主要技术
• 2.2.1 关联规则
• 2.2.2 分类算法
• 2.2.3 聚类分析
• 2.3 Web挖掘简介
• 2.4 本章小结
• 第三章 结合时间窗的用户访问兴趣模型的建立
• 3.1 Web用户访问兴趣的线性回归模型
• 3.1.1 Web访问日志数据预处理
• 3.1.2 Web用户访问兴趣的线性回归模型
• 3.2 结合时间窗的Web用户访问兴趣模型
• 3.2.1 多用户页面访问兴趣模型
• 3.2.2 多用户时间窗访问兴趣模型
• 3.2.3 多用户多页面的时间窗访问兴趣模型
• 3.2.4 结合时间窗的Web用户访问兴趣模型的计算
• 3.3 本章小结
• 第四章 结合时间窗的用户访问兴趣聚类算法
• 4.1 页面喜好协调时间窗的访问兴趣聚类算法
• 4.1.1 基于页面喜好的初始簇形成算法
• 4.1.2 簇集综合调整算法
• 4.1.3 算法的复杂度分析
• 4.2 时间窗协调页面喜好的访问兴趣聚类算法
• 4.2.1 时间窗协调页面喜好聚类算法
• 4.2.2 算法时间复杂度分析
• 4.3 页面喜好结合时间窗的访问兴趣聚类算法
• 4.3.1 初始点选择算法
• 4.3.2 基于K-Means的聚类过程
• 4.3.3 算法时间复杂度分析
• 4.4 本章小结
• 第五章 实验分析及结果比较
• 5.1 数据预处理实验
• 5.1.1 数据预处理
• 5.1.2 数据存储及数据库设计
• 5.2 协调式聚类算法的实验
• 5.2.1 聚类结果可视性及安德鲁曲线
• 5.2.2 初始化阶段与综合调整阶段簇内的变化
• 5.2.3 阀值与目标函数最终改善程度的关系
• 5.3 结合式聚类算法的实验
• 5.4 本章小结
• 第六章 总结和展望
• 6.1 论文总结
• 6.2 进一步的研究方向
• 参考文献
• 致谢
• 攻读学位期间主要的研究成果