| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题的背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的主要工作 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 第二章 相关理论与技术 | 第15-21页 |
| 2.1 关联规则概述 | 第15-17页 |
| 2.1.1 基本概念 | 第15-16页 |
| 2.1.2 挖掘频繁项集的算法 | 第16-17页 |
| 2.1.3 规则的产生 | 第17页 |
| 2.2 Hadoop分布式计算框架 | 第17-20页 |
| 2.2.1 Hadoop简介 | 第17-18页 |
| 2.2.2 MapReduce的原理与特性 | 第18-19页 |
| 2.2.3 HDFS原理和特性 | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 FP-Growth算法的并行化设计 | 第21-35页 |
| 3.1 基于FP-Growth算法的剪枝策略 | 第21-25页 |
| 3.1.1 FP-Growth算法描述 | 第21-24页 |
| 3.1.2 Cutting FP-tree算法 | 第24-25页 |
| 3.2 Cutting FP-tree算法的并行化 | 第25-34页 |
| 3.2.1 FP-Growth算法并行化思想 | 第25-27页 |
| 3.2.2 数据切分 | 第27-28页 |
| 3.2.3 并行计数 | 第28-29页 |
| 3.2.4 均衡分组 | 第29-31页 |
| 3.2.5 并行Cutting FP-tree算法 | 第31-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第四章 改进的并行FP-Growth算法的应用 | 第35-43页 |
| 4.1 微博好友推荐概述 | 第35-36页 |
| 4.2 新浪微博数据采集方案 | 第36-40页 |
| 4.2.1 Oairth2授权认证 | 第36-37页 |
| 4.2.2 微博关注信息数据的获取 | 第37-38页 |
| 4.2.3 用户粉丝信息数据的获取 | 第38-39页 |
| 4.2.4 新浪微博数据的预处理 | 第39-40页 |
| 4.3 基于关联规则的微博好友推荐算法 | 第40-41页 |
| 4.3.1 算法主要思想 | 第40-41页 |
| 4.3.2 算法具体实现步骤 | 第41页 |
| 4.4 本章小结 | 第41-43页 |
| 第五章 实验分析 | 第43-50页 |
| 5.1 实验目的 | 第43页 |
| 5.2 实验环境的搭建 | 第43-45页 |
| 5.2.1 配置信息 | 第43-44页 |
| 5.2.2 Hadoop实验平台的搭建 | 第44-45页 |
| 5.2.3 配置文件的生效与代码的编译 | 第45页 |
| 5.3 实验结果及其分析 | 第45-48页 |
| 5.3.1 改进的并行FP-Growth算法的性能分析 | 第45-47页 |
| 5.3.2 微博好友推荐的效果分析 | 第47-48页 |
| 5.4 本章小节 | 第48-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 本文总结 | 第50-51页 |
| 6.2 展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士期间发表的论文和参加的科研项目 | 第55-56页 |
| 致谢 | 第56页 |
