学位论文 > 优秀研究生学位论文题录展示

Web用户访问聚类模式研究

作　者: 杜立平
导　师: 刘志镜；赵耿
学　校: 西安电子科技大学
专　业: 计算机技术
关键词: 数据挖掘 Web挖掘概念URL K均值蚁群算法
分类号: TP311.13
类　型: 硕士论文
年　份: 2010年
下　载: 34次
引　用: 0次
阅　读: 论文下载

内容摘要

随着因特网的快速发展,海量的Web数据资源已经成为人们获取信息的重要来源。但是,由于Web资源所具有的一些特性,用户很难快速而准确地获取真正有价值的信息,由此产生了数据挖掘的概念。这种用于决策支持的新技术,能够利用已有的数据对未来的活动进行预测,并最终为用户提供方便的定制信息服务。现已成为一个新的重要的研究方向。本文系统、完整地论述了Web事务聚类分析的两个阶段,即数据预处理和聚类分析阶段。其中数据预处理阶段又包括日志解析、数据清洗、用户识别和事务识别四个过程；同时,论文在此阶段引入了“概念URL”,以获得容易理解的聚类结果。在聚类分析阶段,本文结合蚁群优化的原理,建立了人工蚂蚁模型,并基于该模型实现了蚁群聚类分析算法。另外,本文还在聚类分析过程中使用了K均值算法,并比较了蚁群算法和K均值算法在Web事务聚类分析上的优劣。采用某学院Web服务器日志作为数据集的试验表明,本文的技术和方法能够获得质量良好的聚类结果。

全文目录

摘要  3-4
Abstract  4-7
第一章绪论  7-11
  1.1 课题背景  7
  1.2 国内外的研究现状  7-8
  1.3 研究工作和意义  8-9
  1.4 论文的组织结构  9-11
第二章数据挖掘与WEB挖掘  11-21
  2.1 数据挖掘概念的提出  11-16
    2.1.1 数据挖掘的过程  12-13
    2.1.2 数据挖掘的方法  13-16
  2.2 WEB挖掘概念的提出  16-20
    2.2.1 Web挖掘概念  16-17
    2.2.2 Web挖掘分类  17-20
  2.3 本章小结  20-21
第三章 WEB聚类分析  21-29
  3.1 聚类分析  21
  3.2 WEB聚类分析  21-22
  3.3 聚类分析常用算法  22-27
    3.3.1 基于划分的方法(Partitioning Method)  22-24
    3.3.2 基于层次的方法(Hierarchi cal Method)  24
    3.3.3 基于密度的方法(Density-based Method)  24
    3.3.4 基于网格的方法(Grid-based Method)  24
    3.3.5 基于模型的方法(Model-based Method)  24-25
    3.3.6 基于仿生学的方法(Bionic Method)  25-26
    3.3.7 聚类算法比较  26-27
  3.4 本章小结  27-29
第四章 WEB用户访问聚类分析系统构建  29-49
  4.1 系统模型  29-32
    4.1.1 系统功能层次结构  29-30
    4.1.2 系统架构与开发技术  30-31
    4.1.3 工作流程  31-32
    4.1.4 系统功能模块  32
  4.2 数据预处理  32-38
    4.2.1 挖掘数据源  32-34
    4.2.2 日志解析  34-35
    4.2.3 数据清洗  35-36
    4.2.4 用户识别  36-37
    4.2.5 会话/事务识别  37
    4.2.6 概念URL  37-38
  4.3 WEB事务聚类分析  38-47
    4.3.1 基于K均值算法的Web事务聚类分析  38-39
    4.3.2 基于蚁群算法的Web事务聚类分析  39-47
  4.4 本章小结  47-49
第五章试验与分析  49-59
  5.1 基于蚁群算法的聚类分析结果  49-52
  5.2 基于K均值算法的聚类分析结果  52-56
  5.3 WEB用户访问聚类分析系统实现  56-58
    5.3.1 数据清洗视图  56
    5.3.2 会话识别视图  56-57
    5.3.3 聚类分析结果视图  57-58
    5.3.4 簇特征的呈现  58
  5.4 试验结果小结  58-59
第六章结束语  59-61
  6.1 论文总结  59
  6.2 下一步的研究工作  59-61
致谢  61-63
参考文献  63-65

Web用户访问聚类模式研究

内容摘要

全文目录

相似论文