| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 用户行为分析方法研究现状 | 第10-11页 |
| 1.2.2 用户关联分析方法研究现状 | 第11-12页 |
| 1.2.3 面向大数据的关联分析方法研究现状 | 第12页 |
| 1.3 研究内容与创新点 | 第12-14页 |
| 1.3.1 主要研究内容 | 第13页 |
| 1.3.2 论文的创新点 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 第2章 用户关联分析及其相关技术概述 | 第15-24页 |
| 2.1 用户行为分析方法 | 第15-16页 |
| 2.2 关联规则挖掘的相关概念 | 第16-17页 |
| 2.3 分布式文件系统HDFS的体系结构 | 第17-20页 |
| 2.3.1 Hadoop体系结构 | 第17-18页 |
| 2.3.2 HDFS的数据存储机制 | 第18-20页 |
| 2.4 Spark并行计算框架 | 第20-23页 |
| 2.4.1 Spark的组成结构 | 第20-22页 |
| 2.4.2 弹性分布式数据集RDD | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 PTFP-Apriori：基于Spark的并行化关联规则挖掘算法 | 第24-36页 |
| 3.1 Apriori频繁模式挖掘算法 | 第24页 |
| 3.2 模式树生成原理 | 第24-26页 |
| 3.3 PTFP-Apriori算法 | 第26-32页 |
| 3.3.1 相关定义 | 第26-27页 |
| 3.3.2 PTFP-Apriori算法步骤 | 第27页 |
| 3.3.3 基于Spark的并行化PTFP-Apriori算法 | 第27-31页 |
| 3.3.4 时间复杂性分析 | 第31-32页 |
| 3.4 实验验证与分析 | 第32-35页 |
| 3.4.1 Spark并行计算框架部署 | 第32-33页 |
| 3.4.2 实验数据集与评价指标 | 第33页 |
| 3.4.3 算法执行性能分析 | 第33-34页 |
| 3.4.4 算法的可扩展性分析 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于粗糙集的时序关联规则挖掘算法 | 第36-46页 |
| 4.1 时序关联规则相关定义 | 第36-39页 |
| 4.1.2 时间衰减函数 | 第37-38页 |
| 4.1.3 粗糙集理论 | 第38页 |
| 4.1.4 属性归约方法 | 第38-39页 |
| 4.2 时序关联规则挖掘算法思想 | 第39-40页 |
| 4.3 基于粗糙集理论的时序规则挖掘算法 | 第40-42页 |
| 4.3.1 基于属性归约的粗糙时序规则算法RTAR | 第40-41页 |
| 4.3.2 RTAR并行化处理机制 | 第41-42页 |
| 4.4 实验验证与分析 | 第42-44页 |
| 4.4.1 实验环境与评价指标 | 第42页 |
| 4.4.2 算法执行性能分析 | 第42-44页 |
| 4.4.3 算法的可扩展性分析 | 第44页 |
| 4.5 本章小结 | 第44-46页 |
| 第5章 总结与展望 | 第46-48页 |
| 5.1 总结 | 第46-47页 |
| 5.2 展望 | 第47-48页 |
| 参考文献 | 第48-53页 |
| 在读期间发表的学术论文及研究成果 | 第53-54页 |
| 致谢 | 第54页 |
