| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 引言 | 第8页 |
| 1.2 数据挖掘的概念 | 第8页 |
| 1.3 数据挖掘的特点 | 第8-9页 |
| 1.4 数据挖掘的分类 | 第9-11页 |
| 1.5 数据挖掘的过程 | 第11-13页 |
| 1.6 数据挖掘技术在税收领域的应用 | 第13-14页 |
| 1.7 本文算法中所用符号定义 | 第14页 |
| 第二章 关联规则挖掘算法 | 第14-31页 |
| 2.1 关联规则挖掘的基本概念 | 第15-17页 |
| 2.2 关联规则的种类 | 第17页 |
| 2.3 关联规则的核心算法 Apriori | 第17-20页 |
| 2.3.1 Apriori算法的思想 | 第17页 |
| 2.3.2 Apriori算法描述 | 第17-20页 |
| 2.3.3 Apriori算法评估 | 第20页 |
| 2.4 多维关联规则挖掘算法 | 第20-28页 |
| 2.4.1 基本概念 | 第20页 |
| 2.4.2 多维数据模型 | 第20-22页 |
| 2.4.3 多维数据类型上的OLAP操作 | 第22-23页 |
| 2.4.4 多维关联规则挖掘算法Multi_Apriori | 第23-28页 |
| 2.5 基于约束的多维关联规则挖掘算法 | 第28-31页 |
| 2.5.1 基本概念 | 第28页 |
| 2.5.2 Up_Apriori算法实现步骤 | 第28-30页 |
| 2.5.3 Up_Apriori算法描述 | 第30-31页 |
| 第三章 改进的关联规则挖掘算法设计 | 第31-66页 |
| 3.1 Sup_Apriori中事务数据集剪枝 | 第31-33页 |
| 3.1.1 K剪枝 | 第31-32页 |
| 3.1.2 K+1剪枝 | 第32-33页 |
| 3.2 Sup_Apriori中候选集剪枝 | 第33-34页 |
| 3.3 Sup_Apriori中频集的计算 | 第34-40页 |
| 3.3.1 K=2时的频集计算 | 第34-35页 |
| 3.3.2 K>2时的频集计算 | 第35-40页 |
| 3.4 Sup_Apriori算法程序框图 | 第40-42页 |
| 3.4.1 K<3时的流程设计 | 第40-41页 |
| 3.4.2 K≥3时的流程设计 | 第41-42页 |
| 3.5 Sup_Apriori算法实现 | 第42-64页 |
| 3.5.1 算法描述 | 第42-44页 |
| 3.5.2 算法实现 | 第44-64页 |
| 3.6 Sup_Apriori算法复杂性分析 | 第64-66页 |
| 3.6.1 扫描次数分析 | 第64-65页 |
| 3.6.2 时间复杂性分析 | 第65-66页 |
| 第四章 关联规则挖掘技术在税收领域的应用 | 第66-79页 |
| 4.1 关联规则挖掘技术在纳税评估中的应用 | 第66-73页 |
| 4.1.1 背景介绍 | 第66-67页 |
| 4.1.2 数据准备 | 第67-68页 |
| 4.1.3 利用 Up_Apriori算法分析挖掘税负数据 | 第68-73页 |
| 4.2 关联规则挖掘技术在稽查选案中的应用 | 第73-79页 |
| 4.2.1 背景介绍 | 第73-74页 |
| 4.2.2 数据准备 | 第74-78页 |
| 4.2.3 利用 Sup_Apriori算法确定案源 | 第78-79页 |
| 第五章 总结与展望 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 致谢 | 第84-85页 |
| 攻读学位期间发表的学术论文目录 | 第85-86页 |
| 学位论文评阅及答辩情况表 | 第86页 |
