| 摘要 | 第1-6页 |
| ABSTRACT | 第6-17页 |
| 第一章 绪论 | 第17-32页 |
| ·引言 | 第17-18页 |
| ·全局和局部数据挖掘 | 第18-24页 |
| ·全局模型挖掘 | 第20-23页 |
| ·局部数据挖掘(模式发现) | 第23-24页 |
| ·基于局部信息的全局数据挖掘 | 第24-29页 |
| ·基于数据粒度表示的挖掘 | 第25-26页 |
| ·基于局部模式的全局模型挖掘 | 第26-28页 |
| ·基于局部模式的全局信息获取 | 第28-29页 |
| ·本文的工作及结构 | 第29-32页 |
| 第二章 基于数据粒表示的频繁模式挖掘 | 第32-49页 |
| ·引言 | 第32-33页 |
| ·相关工作 | 第33-37页 |
| ·数据的粒度表示 | 第33-34页 |
| ·EMASK算法概述 | 第34-37页 |
| ·基于粒度表示的频繁模式挖掘算法GB-FIM | 第37-38页 |
| ·基于粒度推理的频繁模式挖掘算法GrC-FIM | 第38-44页 |
| ·支持度计算 | 第39-41页 |
| ·粒度推理 | 第39-40页 |
| ·基于粒度推理的支持度计算 | 第40-41页 |
| ·算法GrC-FIM | 第41-44页 |
| ·算法实例 | 第41-42页 |
| ·算法过程 | 第42-44页 |
| ·实验与性能分析 | 第44-47页 |
| ·数据集 | 第44-45页 |
| ·效率分析 | 第45-46页 |
| ·准确性分析 | 第46-47页 |
| ·本章小节 | 第47-49页 |
| 第三章 基于相似性的局部模式总结算法 | 第49-69页 |
| ·引言 | 第49页 |
| ·相关工作 | 第49-55页 |
| ·模式压缩 | 第49-51页 |
| ·序列模式挖掘 | 第51-52页 |
| ·序列模式挖掘定义 | 第51-52页 |
| ·序列模式挖掘相关工作 | 第52页 |
| ·偏序模型 | 第52-55页 |
| ·基本定义 | 第52-53页 |
| ·偏序模型 | 第53-55页 |
| ·基于偏序的频繁序列模式压缩算法 | 第55-61页 |
| ·基本定义 | 第57-58页 |
| ·算法过程 | 第58-61页 |
| ·距离度量 | 第58-59页 |
| ·聚类算法 | 第59-60页 |
| ·偏序生成 | 第60-61页 |
| ·效果评估 | 第61页 |
| ·实验与性能分析 | 第61-68页 |
| ·数据集 | 第62-63页 |
| ·模拟数据集 | 第62页 |
| ·真实数据集 | 第62-63页 |
| ·实验性能分析 | 第63-67页 |
| ·效率比较 | 第63-65页 |
| ·准确性比较 | 第65-67页 |
| ·偏序实例 | 第67-68页 |
| ·本章小节 | 第68-69页 |
| 第四章 基于局部特征的全局序列挖掘算法 | 第69-100页 |
| ·引言 | 第69-70页 |
| ·相关工作 | 第70-76页 |
| ·全局偏序模型 | 第70-74页 |
| ·评分函数 | 第72-73页 |
| ·数据结构 | 第73页 |
| ·修改操作 | 第73-74页 |
| ·动态贝叶斯网络 | 第74-76页 |
| ·基于频繁序列模式的启发式全局偏序算法 | 第76-89页 |
| ·启发式搜索 | 第76-80页 |
| ·Naive方法 | 第77-78页 |
| ·全局偏序算法的评分函数 | 第78-79页 |
| ·集成项集长度和支持度的评分 | 第79-80页 |
| ·构造全局偏序模型 | 第80页 |
| ·算法描述 | 第80-82页 |
| ·算法总结 | 第82-83页 |
| ·实验与性能分析 | 第83-89页 |
| ·数据集 | 第83页 |
| ·准确性分析 | 第83-86页 |
| ·效率分析 | 第86-89页 |
| ·基于传递闭包的动态贝叶斯网络构建算法 | 第89-99页 |
| ·传递闭包 | 第89-91页 |
| ·先验模型 | 第91页 |
| ·评分函数 | 第91-92页 |
| ·算法过程 | 第92页 |
| ·网络表达 | 第92-95页 |
| ·实验结果和分析 | 第95-99页 |
| ·本章小节 | 第99-100页 |
| 第五章 全局和局部挖掘在文献数据分析中的应用 | 第100-134页 |
| ·引言 | 第100-103页 |
| ·LDA主题模型 | 第103-104页 |
| ·基于贝叶斯网络理解研究领域的变化 | 第104-120页 |
| ·研究背景 | 第104-106页 |
| ·基本假设 | 第106-107页 |
| ·构造方法 | 第107-108页 |
| ·问题形式化描述 | 第108页 |
| ·实验结果和分析 | 第108-120页 |
| ·数据源 | 第108页 |
| ·数据预处理 | 第108-109页 |
| ·模型细节 | 第109页 |
| ·用不同时期构造的全局图模型理解数据挖掘领域的发展 | 第109-112页 |
| ·与主题模型的对比 | 第112-115页 |
| ·基于离开作者的领域演化分析 | 第115页 |
| ·面向多会议领域演化分析 | 第115-120页 |
| ·基于模块化网络的主题影响研究 | 第120-133页 |
| ·研究背景 | 第120-124页 |
| ·模块化网络 | 第121-124页 |
| ·研究思路 | 第124页 |
| ·方法描述 | 第124-127页 |
| ·获得主题的时间强度序列 | 第125页 |
| ·时间序列的逐段线性表示 | 第125-127页 |
| ·构造主题关系网络 | 第127页 |
| ·实验结果和分析 | 第127-133页 |
| ·数据集 | 第127-128页 |
| ·主题获得 | 第128-129页 |
| ·主题强度及其线性化 | 第129页 |
| ·模块化网络生成 | 第129-133页 |
| ·本章小节 | 第133-134页 |
| 第六章 总结与展望 | 第134-137页 |
| ·总结 | 第134-135页 |
| ·展望 | 第135-137页 |
| 参考文献 | 第137-148页 |
| 攻读博士学位期间主要的研究成果 | 第148-150页 |
| 致谢 | 第150页 |