| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-10页 |
| 1.1 课题研究背景和意义 | 第7-8页 |
| 1.2 国内外相关研究和综述 | 第8-9页 |
| 1.3 本文的结构安排 | 第9-10页 |
| 第二章 Apriori 算法，FP-Growth 算法以及 Hadoop 综述 | 第10-19页 |
| 2.1 Apriori 算法 | 第10-11页 |
| 2.2 FP-Growth | 第11-14页 |
| 2.2.1 生成 FP-tree 的过程 | 第11页 |
| 2.2.2 挖掘 FP-tree | 第11-12页 |
| 2.2.3 FP-growth 算法举例 | 第12-14页 |
| 2.3 Hadoop | 第14-18页 |
| 2.3.1 HDFS | 第14-15页 |
| 2.3.2 Hadoop MapReduce | 第15-17页 |
| 2.3.3 HDFS | 第17页 |
| 2.3.4 Hadoop 特点 | 第17-18页 |
| 2.4 本章总结 | 第18-19页 |
| 第三章 加权模型和加权 FP-Gowth 算法的研究 | 第19-25页 |
| 3.1 加权关联规则算法问题提出 | 第19-20页 |
| 3.2 加权模型 | 第20-21页 |
| 3.3 加权 FP-Growth 算法 | 第21-24页 |
| 3.4 本章总结 | 第24-25页 |
| 第四章 并行化加权 FP-Growth 算法的实现 | 第25-38页 |
| 4.1 基于 MapReduce 的 FP-Growth 算法 | 第25-33页 |
| 4.1.1 碎片化 | 第27页 |
| 4.1.2 并行计数 | 第27-28页 |
| 4.1.3 项集分组 | 第28-31页 |
| 4.1.4 并行 FP-Growth | 第31-33页 |
| 4.1.5 整合 | 第33页 |
| 4.2 基于 MapReduce 的加权 FP-Growth 算法 | 第33-37页 |
| 4.3 本章总结 | 第37-38页 |
| 第五章 基于 Hadoop 加权关联规则挖掘算法的应用实例 | 第38-46页 |
| 5.1 数据来源 | 第38-39页 |
| 5.2 WEB 日志的预处理 | 第39-42页 |
| 5.2.1 原始数据预处理 | 第40-41页 |
| 5.2.2 关联规则筛选 | 第41页 |
| 5.2.3 推荐流程 | 第41-42页 |
| 5.3 实验结果 | 第42-44页 |
| 5.3.1 实验环境 | 第42页 |
| 5.3.2 实验分析 | 第42-44页 |
| 5.4 本章总结: | 第44-46页 |
| 第六章 总结和展望 | 第46-48页 |
| 6.1 工作总结 | 第46页 |
| 6.2 未来展望 | 第46-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51-52页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第52页 |
