Web日志挖掘在电子商务推荐中的应用

介绍电子商务和Web数据挖掘的概念,并介绍Web使用挖掘中应用最多的技术——Web日志挖掘.重点阐述了日志挖掘算法——关联规则的有关知识,以及改进的频繁项目集生成算法Apriori和强关联规则生成算法,并结合实例进行了分析研究.     

基于 Web日志的用户信息行为研究

以鞍山师范学院图书馆网站为样本,利用Awstats软件从Web日志文件中提取访问量、点击量、浏览页面量、访问时间和访问来源等指标的数据,采用SPSS软件对数据进行描述性和推断性分析,并进行深入挖掘。根据相关分析结果对鞍山师范学院图书馆用户信息行为相关问题进行分析,并提出了相应解决对策。     

云计算环境下基于Apriori算法的智能推荐模型

介绍了Apriori算法和智能推荐的基本思想,针对当前互联网应用中智能推荐复杂性问题,提出了云计算环境下基于Apriori的聚类算法模型。该模型根据用户访问网站的行为特征数据,分析和挖掘出用户期望的浏览对象,动态调整云计算系统的智能推荐内容。实验结果表明,该算法模型有效提高了智能推荐的准确性和效率。     

基于Web日志挖掘的图书馆用户访问行为模式研究

本论文将数据挖掘应用于图书馆网站Web日志记录,来获取用户访问网站的行为模式,帮助改善网站页面布局、改进为用户提供资源的方式,提高用户访问和使用资源的效率,介绍了用户行为模式挖掘的过程.     

一种基于Web使用挖掘的个性化推荐系统研究

个性化推荐系统的出现为用户提供了一个解决Web商品信息过载问题的强大工具。个性化推荐技术是基于Web使用挖掘、商品相关关系发现、商品分类等多项数据挖掘技术的。分析了这些技术的基本原理和特点并提出了一种计算商品关联关系和用户喜好倾向的算法以及个性化商品推荐的程序实现方法。     

关于Web日志挖掘的研究

Web日志挖掘是Web挖掘中的一个重要分支。介绍了其研究背景和意义,阐述了Web日志挖掘的过程和常用的方法。在对其研究现状加以分析的基础上,提出了未来研究所面临的问题。     

基于Hadoop平台的智能化就业推荐系统研究与设计

为解决大数据环境下就业信息过载但难以找到一份合适自己工作的问题,提出了基于Hadoop平台的智能化就业推荐系统。该系统能够在学生和就业单位之间相互推荐。为提高系统的推荐精度及避免冷启动问题,使用历届学生个人信息及就业信息作为基础数据,结合学生本人的基本情况,使用基于内容的推荐方式来建立推荐模型。最后通过实验验证了系统的可行性。     

基于Hadoop的数据聚类算法研究

聚类算法一直备受研究者青睐。随着信息技术和数据技术的发展,数据的种类和数量急剧增长,云计算平台Hadoop成为这些数据存储和处理的新平台,基于云计算平台Hadoop的聚类算法逐渐成为热门。针对数据挖掘中的聚类问题,依托云计算模式及Hadoop平台,研究了K-means算法,有效改变了现有算法的局限性。     

Web日志挖掘中的数据预处理技术研究

对Web日志数据的预处理是Web日志挖掘的基础和关键。论文分析了Web日志挖掘处理的基本过程,分析讨论了Web日志挖掘中的数据预处理技术及其过程。     

基于Web数据挖掘的图书馆个性化推荐服务探讨

高校图书馆网站作为图书馆信息系统的重要组成部分,是图书馆资源、服务与读者之间的桥梁。规划和建设好图书馆网站,可为用户获取信息、交流信息提供了一个很好的基于Web的信息服务平台。但随着校园图书馆资源的增多,利用基于Web日志挖掘技术根据用户的特性提供具有针对性的信息,还能通过对用户专业特征,研究兴趣的智能分析,主动地向用户推荐其可能需要的信息的个性化推荐系统的建立已成发展趋势。     

基于频繁闭项集的Web日志挖掘算法

介绍了Web日志挖掘的模型,分析了使用关联规则挖掘Web日志时遇到的规则数量大且存在冗余等问题,提出了基于频繁闭项集的挖掘办法来减少规则数量．同时引入最小关联规则的概念,从而避免了冗余规则的产生．最后用实验验证了算法的有效性,并以周口师范学院校园网为例,对该网站日志数据进行分析,得到了有价值的规则,并对该网站提出了相应的建议和意见．     

基于Hadoop协同过滤的电商数据推荐研究

随着电子商务的快速发展,数据推荐技术在电子商务系统中作用越来越重要。提出了一种新型的基于Hadoop协同过滤的电商数据推荐算法,并采用这个算法开发了商品数据处理系统。系统可根据用户的兴趣、对商品的偏爱程度以及对价格的接受范围,进行优化选择后推送用户感兴趣的商品。实验证明,该算法在Hadoop平台上能够有效提高商品数据推荐的准确率和计算效率,从而提高用户购买量。     

Web日志挖掘数据预处理算法设计与实现

在Web数据挖掘研究领域中,数据预处理在Web日志挖掘中起着至关重要的作用,在介绍了数据挖掘的概念、分类和结构体系的基础上,阐述了对网站大量Web日志数据进行预处理所采用的算法和处理过程,即先将已知IP地址与物理地址的对应关系保存在HashMap中,然后综合运用折半与顺序查找算法,可以显著减少查找次数,提高查询效率.     

Web日志挖掘中事务识别的研究

事务识别在Web日志挖掘步骤中至关重要,如果没有高效的识别算法,挖掘的效率将大打折扣。本文详细研究了事务识别的两种模型,介绍并改进了基于最大向前引用模型的识别方法MFP算法,同时对这两种方法进行了比较,结果表时,改进后的MFP算法具有更高的挖掘效率。     

基于Hadoop平台的作业调度算法研究

爆炸式增长的数据要求高效率地使用计算资源,Hadoop是解决大数据处理的一个方向,不过Ha-doop平台还处于发展中,很多地方还有待完善。对Hadoop自带的三种调度器的优缺点进行分析,针对希望区分和动态改变作业服务质量的情况提出了动态优先调度算法。实验结果表明动态优先调度算法能够在作业的运行中动态改变作业的优先级,在效率上也有所提升。     

Web数据挖掘研究

针对当前Web数据量急剧膨胀的状况,本文主要介绍了一种解决Web信息过载问题的新技术--Web数据挖掘.本文首先简述了Web挖掘的定义和分类,之后详细论述了各类Web挖掘中所用到的关键技术,最后对Web挖掘的发展趋势作了展望.     

基于Hadoop的云计算辅助教学平台研究

云计算可以促进教育信息化的革新,云计算辅助教学利用“云计算”支持的教育“云服务”,能够高效简洁地提高教学的质量.文章比较了公有云与私有云平台,分析了高校建设私有云计算平台的可行性,研究了基于Hadoop的云计算辅助教学平台.该平台可以充分利用云计算的存储与计算能力.文章对校园私有云的体系架构进行了分析,详细介绍了基础设施层和基于Hadoop的云计算辅助教学平台.实验证明,该平台具有良好的实用性.     

Web日志挖掘中的用户访问模式识别

本文探索了一种新的Web日志挖掘算法,以便更有效地捕获用户访问模式．该算法首先把原始的用户访问序列转换为一个最长前向访问序列的集合,在转换中过滤掉了用户的回退操作；算法的第二步是根据第一步所得到的结果求得一个用户频繁访问模式．算法经实验模拟测试具有较为满意的时间复杂度和空间复杂度．     

基于Web使用挖掘的e-Learning自适应推荐系统

e-Learning自适应推荐系统是一种基于当前学习者联机行为,在线自动推荐学习对象而不需要学习者直接反馈的系统。该系统框架是由离线模块和在线模块构成。离线模块预处理数据建立学习者模型,在线模块使用这些模型实时识别学习者目标,运用基于协作过滤的一系列推荐策略预测推荐学习对象。实验证明:由于实现模型构建和模型应用的有效分离,该系统具有较强的伸缩性和较快的实时响应速度,适合为大规模e-Learning系统提供高质量的个性化推荐服务。     

基于改进后的K-means聚类算法的网吧用户行为聚类

介绍了web日志挖掘概念,利用改进后k-means聚类算法对网吧web日志挖掘,对网吧用户行为聚类分析,找出用户的偏爱,以便网吧管理员更好定制网吧网络管理策略.