| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-16页 |
| ·课题研究的背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·国外研究现状 | 第11-13页 |
| ·国内研究概况 | 第13页 |
| ·研究内容及论文的组织结构 | 第13-16页 |
| ·论文的主要内容 | 第13-14页 |
| ·论文的组织结构 | 第14-16页 |
| 第二章 商业智能与数据挖掘 | 第16-26页 |
| ·商业智能概述 | 第16-21页 |
| ·商业智能定义 | 第16-17页 |
| ·商业智能主要技术 | 第17-18页 |
| ·商业智能的发展及现状 | 第18-20页 |
| ·商业智能的技术走向 | 第20-21页 |
| ·数据挖掘概述 | 第21-25页 |
| ·数据挖掘概念 | 第21页 |
| ·数据挖掘过程简介 | 第21-23页 |
| ·数据挖掘相关技术的介绍 | 第23-24页 |
| ·数据挖掘技术的国内外研究现状 | 第24-25页 |
| ·小结 | 第25-26页 |
| 第三章 关联规则算法的研究 | 第26-42页 |
| ·关联规则理论概述 | 第26-28页 |
| ·关联规则的相关定义 | 第26-27页 |
| ·关联规则的分类 | 第27页 |
| ·关联规则挖掘的步骤 | 第27-28页 |
| ·关联规则挖掘的经典算法——APRIORI 算法 | 第28-33页 |
| ·APRIORI 算法理论基础 | 第28-29页 |
| ·示例说明 | 第29-32页 |
| ·APRIORI 算法的缺陷 | 第32-33页 |
| ·APRIORI 算法的改进算法 | 第33-34页 |
| ·基于数据分割（PARTITION）的方法 | 第33-34页 |
| ·基于散列（HASH）的方法 | 第34页 |
| ·基于采样的方法 | 第34页 |
| ·基于FP-TREE 的FP-GROWTH 算法 | 第34-38页 |
| ·FP-GROWTH 算法 | 第34-35页 |
| ·算法示例 | 第35-38页 |
| ·APRIORI 算法和FP-GROWTH 算法的检验及性能分析 | 第38-41页 |
| ·算法检验 | 第38-40页 |
| ·性能分析 | 第40-41页 |
| ·小结 | 第41-42页 |
| 第四章 面向零售数据的关联规则挖掘算法的研究 | 第42-67页 |
| ·零售超市的行业特点 | 第42-45页 |
| ·零售超市的商品结构 | 第42页 |
| ·零售超市的销售策略 | 第42-43页 |
| ·零售超市的销售方式 | 第43-44页 |
| ·由行业特点决定的超级市场的数据特点 | 第44-45页 |
| ·关联规则挖掘模型 | 第45-47页 |
| ·关联规则在零售行业的应用类型 | 第45页 |
| ·基于多最小支持度-兴趣度的关联规则挖掘模型 | 第45-47页 |
| ·多最小支持度策略 | 第47-53页 |
| ·多最小支持度理论基础 | 第47-48页 |
| ·多最小支持度算法MSAPRIORI 算法 | 第48页 |
| ·基于MIS-TREE 的多最小支持度算法CFP-GROWTH 算法 | 第48-53页 |
| ·算法分析及对比 | 第53-56页 |
| ·算法检验 | 第53-55页 |
| ·性能分析 | 第55-56页 |
| ·关联规则质量的度量 | 第56-66页 |
| ·关联规则价值衡量的方法 | 第56页 |
| ·兴趣度的引入 | 第56-57页 |
| ·面向零售数据的兴趣度选择 | 第57-61页 |
| ·基于距离的兴趣度关联规则挖掘算法 | 第61-66页 |
| ·小结 | 第66-67页 |
| 第五章 超市数据关联分析子系统的设计与实现 | 第67-76页 |
| ·系统设计及流程图 | 第67-70页 |
| ·系统设计 | 第67-68页 |
| ·系统流程图 | 第68-70页 |
| ·系统功能实现 | 第70-75页 |
| ·数据提取 | 第70-72页 |
| ·数据准备 | 第72-73页 |
| ·关联规则挖掘 | 第73-74页 |
| ·挖掘结果及分析 | 第74-75页 |
| ·小结 | 第75-76页 |
| 总结 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-83页 |
| 攻读学位期间发表的学术论文目录 | 第83-84页 |