| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 选题背景及意义 | 第9-11页 |
| 1.2 相关工作 | 第11-13页 |
| 1.2.1 分布式计算平台 | 第11页 |
| 1.2.2 基于MapReduce的关联规则算法 | 第11-12页 |
| 1.2.3 基于Spark的关联规则算法 | 第12-13页 |
| 1.3 论文的研究内容 | 第13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第二章 相关概念、技术综述 | 第15-35页 |
| 2.1 相关概念 | 第15-21页 |
| 2.1.1 概述 | 第15页 |
| 2.1.2 数据库知识发现(KDD) | 第15-17页 |
| 2.1.3 关联规则 | 第17-19页 |
| 2.1.4 高效用项集 | 第19-21页 |
| 2.2 相关技术 | 第21-34页 |
| 2.2.1 关联规则挖掘并行策略 | 第21-22页 |
| 2.2.2 Hadoop平台 | 第22-27页 |
| 2.2.3 Spark平台 | 第27-32页 |
| 2.2.4 Spark的优势及与Hadoop的对比分析 | 第32-34页 |
| 2.3 本章小结 | 第34-35页 |
| 第三章 基于Spark的经典关联规则并行实现 | 第35-49页 |
| 3.1 Apriori | 第35-39页 |
| 3.1.1 算法说明 | 第35-36页 |
| 3.1.2 算法分析 | 第36页 |
| 3.1.3 算法优化 | 第36-37页 |
| 3.1.4 基于Spark实现Apriori | 第37-39页 |
| 3.2 FP-growth | 第39-43页 |
| 3.2.1 算法说明 | 第39-41页 |
| 3.2.2 算法分析 | 第41-42页 |
| 3.2.3 基于Spark实现FP-growth | 第42-43页 |
| 3.3 Eclat | 第43-46页 |
| 3.3.1 算法说明 | 第44-45页 |
| 3.3.2 算法分析 | 第45页 |
| 3.3.3 算法优化 | 第45页 |
| 3.3.4 基于Spark实现Eclat | 第45-46页 |
| 3.4 实验设计与结果 | 第46-49页 |
| 第四章 基于Spark的高效用项集挖掘算法Spark-HUI-Miner | 第49-61页 |
| 4.1 HUI-Miner简介 | 第49-51页 |
| 4.2 S-HUI-Miner | 第51-56页 |
| 4.2.1 分割搜索空间 | 第52-53页 |
| 4.2.2 生成Node Data | 第53页 |
| 4.2.3 挖掘Node Data | 第53-56页 |
| 4.3 基于抽样的近似高效用项集挖掘 | 第56-59页 |
| 4.3.1 定义、引理 | 第56-58页 |
| 4.3.2 抽样策略 | 第58-59页 |
| 4.3.3 基于抽样的S-HUI-Miner | 第59页 |
| 4.4 实验设计和结果 | 第59-61页 |
| 第五章 结束语 | 第61-63页 |
| 5.1 论文总结 | 第61-62页 |
| 5.2 工作展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-68页 |
| 攻读学位期间发表的学术论文 | 第68页 |