| 第一章 引言 | 第1-12页 |
| ·流数据挖掘 | 第7-8页 |
| ·流数据中的频繁项集 | 第8-9页 |
| ·研究背景 | 第9-11页 |
| ·本文主要工作 | 第11-12页 |
| 第二章 流数据分析 | 第12-22页 |
| ·研究任务 | 第12-13页 |
| ·流数据模型及管理 | 第13-17页 |
| ·流数据模型及划分 | 第13-15页 |
| ·流数据模型与传统数据模型的区别 | 第15-17页 |
| ·流数据分析和挖掘 | 第17-22页 |
| ·解决问题的原则 | 第17-18页 |
| ·适合流数据挖掘的技术 | 第18-22页 |
| 第三章 流数据中频繁项集算法 | 第22-28页 |
| ·Lossy Counting 算法 | 第23-26页 |
| ·问题的形式化描述 | 第23-24页 |
| ·Estimation Mechanism | 第24-26页 |
| ·FP-stream 算法 | 第26-28页 |
| ·时间标签窗技术 | 第26-27页 |
| ·时间标签窗表格的裁减 | 第27-28页 |
| 第四章 流数据中的最近频繁项集 | 第28-42页 |
| ·Landmark Model VS Sliding Window Model | 第28-29页 |
| ·多时间粒度流数据模型 | 第29-32页 |
| ·基于时间粒度的衰减 | 第30-31页 |
| ·流数据中事务的衰减速度 | 第31-32页 |
| ·后缀树模型 | 第32-38页 |
| ·后缀树模型 | 第32-36页 |
| ·深度优先自底向上的内部项集增长 | 第36-38页 |
| ·RFIMiner 算法 | 第38-42页 |
| ·RFIMiner 算法 | 第38-41页 |
| ·讨论 | 第41-42页 |
| 第五章 实验结果及分析 | 第42-46页 |
| ·实验环境和测试数据集 | 第42页 |
| ·评估RFIMiner 算法的实验结果 | 第42-46页 |
| ·RFIMiner 算法的可延展性 | 第43-44页 |
| ·RFIMiner 算法的挖掘准确性 | 第44页 |
| ·RFIMiner, Apriori 和FP-growth 的比较 | 第44-46页 |
| 第六章 结束语及未来工作 | 第46-48页 |
| ·结束语 | 第46页 |
| ·未来工作展望 | 第46-48页 |
| 参考文献 | 第48-51页 |
| 研究生期间发表的论文 | 第51-52页 |
| 摘要 | 第52-55页 |
| Abstract | 第55-58页 |
| 致谢 | 第58-59页 |
| 导师及作者简介 | 第59页 |