| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.2.1 频繁模式挖掘算法的研究现状 | 第9页 |
| 1.2.2 分布式环境下频繁模式挖掘算法研究现状 | 第9-10页 |
| 1.3 研究目标与内容 | 第10-11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第二章 相关技术与研究 | 第13-24页 |
| 2.1 Web日志挖掘 | 第13-16页 |
| 2.1.1 Web挖掘分类 | 第13-14页 |
| 2.1.2 Web使用挖掘 | 第14-16页 |
| 2.2 分布式平台相关技术基础 | 第16-23页 |
| 2.2.1 Hadoop分布式计算平台 | 第16-19页 |
| 2.2.2 Spark分布式计算平台 | 第19-22页 |
| 2.2.3 Hadoop与Spark的关系和特性 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 浏览行为的集合频繁模式分布式挖掘 | 第24-35页 |
| 3.1 引言 | 第24页 |
| 3.2 浏览行为的集合频繁模式挖掘的挑战 | 第24-25页 |
| 3.3 负载均衡的可扩展FP-Growth分布式算法 | 第25-30页 |
| 3.3.1 负载量估计和均衡分组 | 第25-28页 |
| 3.3.2 基于负载均衡分组的会话序列数据库切分 | 第28-30页 |
| 3.4 基于Spark的FP-Growth负载均衡分布式算法的实现 | 第30-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 浏览行为的序列频繁模式分布式挖掘 | 第35-48页 |
| 4.1 引言 | 第35页 |
| 4.2 浏览行为的序列频繁模式挖掘的挑战 | 第35-36页 |
| 4.3 AprioriAll算法的候选序列的生成方式 | 第36-38页 |
| 4.3.1 基于频繁k序列自连接的候选序列生成方式 | 第36-37页 |
| 4.3.2 基于PairWise的候选序列生成方式 | 第37-38页 |
| 4.3.3 两种候选序列生成方式的时空效率对比分析 | 第38页 |
| 4.4 可扩展的AprioriAll分布式算法 | 第38-45页 |
| 4.4.1 AprioriAll分布式算法分析 | 第39-40页 |
| 4.4.2 基于Spark的可扩展AprioriAll分布式算法 | 第40-45页 |
| 4.5 浏览行为的正则频繁模式挖掘分布式挖掘 | 第45-46页 |
| 4.6 本章小结 | 第46-48页 |
| 第五章 系统原型设计与实验分析 | 第48-59页 |
| 5.1 引言 | 第48页 |
| 5.2 系统需求分析 | 第48页 |
| 5.3 系统设计 | 第48-52页 |
| 5.3.1 系统功能设计 | 第48-49页 |
| 5.3.2 日志数据预处理 | 第49-52页 |
| 5.4 系统性能测试 | 第52-58页 |
| 5.4.1 实验测试方法 | 第52-53页 |
| 5.4.2 算法准确性测试 | 第53页 |
| 5.4.3 算法速度性能测试 | 第53-55页 |
| 5.4.4 算法扩展性测试 | 第55-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结和展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 作者简介 | 第61-62页 |
| 参考文献 | 第62-64页 |
