| 1 引言 | 第1-15页 |
| ·数据挖掘 | 第11-12页 |
| ·数据挖掘的应用 | 第12-13页 |
| ·数据挖掘面临的挑战 | 第13-14页 |
| ·本文研究内容 | 第14-15页 |
| 2 数据挖掘 | 第15-41页 |
| ·数据挖掘概述 | 第15-17页 |
| ·概念／类描述：特征化与区分 | 第17-18页 |
| ·关联分析 | 第18-32页 |
| ·关联规则 | 第18-20页 |
| ·关联规则算法 | 第20-24页 |
| ·从关联规则挖掘到相关分析 | 第24-30页 |
| ·相关规则 | 第25-29页 |
| ·蕴涵规则 | 第29-30页 |
| ·强集合项目集 | 第30-32页 |
| ·因果关系 | 第32页 |
| ·分类与预测 | 第32-34页 |
| ·聚类分析 | 第34-37页 |
| ·异类分析 | 第37-38页 |
| ·进化分析 | 第38页 |
| ·感兴趣的数据挖掘 | 第38-41页 |
| 3 购物篮分析 | 第41-45页 |
| ·购物篮数据 | 第41页 |
| ·商品间的相互依赖 | 第41-45页 |
| ·相互依赖的原因 | 第41-45页 |
| ·生产方的原因 | 第41-42页 |
| ·零售方的原因 | 第42-43页 |
| ·消费者的原因 | 第43-45页 |
| 4 最有利润的商品选择 | 第45-77页 |
| ·已有的算法 | 第46-53页 |
| ·PROFSET | 第46-48页 |
| ·HAP | 第48-50页 |
| ·MPIS | 第50-53页 |
| ·问题描述 | 第53-58页 |
| ·MOPIS算法 | 第58-67页 |
| ·MOPIS算法主要思想 | 第58-61页 |
| ·MOPIS算法 | 第61-63页 |
| ·商品的“增加利益” | 第63-65页 |
| ·“增加利益”的计算 | 第63-64页 |
| ·p_s(I_u)的计算 | 第64-65页 |
| ·p_e(I_u，t_i)的计算 | 第65页 |
| ·商品的“删除利益” | 第65-66页 |
| ·MOPIS算法几点说明 | 第66页 |
| ·MOPIS算法的创新点 | 第66-67页 |
| ·gaMOPIS | 第67-70页 |
| ·gaMOPIS算法主要思想 | 第67-68页 |
| ·gaMOPIS算法 | 第68-70页 |
| ·性能评测 | 第70-75页 |
| ·MOPIS算法总结 | 第75-77页 |
| 5 价格促销利润估计 | 第77-95页 |
| ·问题描述 | 第77-79页 |
| ·PEPP算法 | 第79-89页 |
| ·PEPP算法主要思想 | 第79-80页 |
| ·PEPP算法 | 第80-88页 |
| ·PEPP算法 | 第80-82页 |
| ·GetNearestItem | 第82-85页 |
| ·AddPromotedItems(t_i) | 第85页 |
| ·AddCrossedItems(t_i，I′_i) | 第85-86页 |
| ·交叉销售因子的计算 | 第86-87页 |
| ·P_i的决定 | 第87页 |
| ·GetProfits() | 第87-88页 |
| ·PEPP算法说明 | 第88页 |
| ·PEPP算法的扩展 | 第88页 |
| ·PEPP算法的优点 | 第88-89页 |
| ·性能评测 | 第89-92页 |
| ·PEPP算法总结 | 第92-95页 |
| 6 总结、结论与展望 | 第95-99页 |
| ·总结 | 第95页 |
| ·结论 | 第95-97页 |
| ·本文的创新点 | 第97页 |
| ·以后的工作 | 第97-99页 |
| 参考文献 | 第99-121页 |
| 读博士期间发表的论文 | 第121-123页 |
| 致谢 | 第123-124页 |