| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 引言 | 第10-13页 |
| 1.1 论文的研究背景 | 第10-11页 |
| 1.2 论文的选题意义 | 第11页 |
| 1.3 关联规则挖掘的研究现状 | 第11-12页 |
| 1.4 本文的贡献 | 第12页 |
| 1.5 本文的组织结构 | 第12-13页 |
| 第二章 数据挖掘与关联规则挖掘技术 | 第13-20页 |
| 2.1 基本概念和性质 | 第13-14页 |
| 2.2 关联规则的问题描述 | 第14-15页 |
| 2.3 关联规则的分类 | 第15-16页 |
| 2.4 兴趣度的扩展研究 | 第16-17页 |
| 2.5 关联规则的应用 | 第17-19页 |
| 2.5.1 商业零售行业 | 第17-18页 |
| 2.5.2 金融和保险服务行业 | 第18页 |
| 2.5.3 科学研究领域 | 第18页 |
| 2.5.4 电信网络管理 | 第18-19页 |
| 2.5.5 其它应用领域 | 第19页 |
| 2.6 本章小结 | 第19-20页 |
| 第三章 基于粗集的关联规则挖掘算法 | 第20-34页 |
| 3.1 APRIORI 算法 | 第20-25页 |
| 3.1.1 Apriori 算法基本思想及实现 | 第20-21页 |
| 3.1.2 一个数值例子 | 第21-24页 |
| 3.1.3 Apriori 算法的性能分析 | 第24页 |
| 3.1.4 基于Apriori 的几种改进算法 | 第24-25页 |
| 3.2 粗集理论 | 第25-29页 |
| 3.2.1 粗集理论的相关概念 | 第25-28页 |
| 3.2.2 将粗集理论应用于关联规则挖掘中的优势 | 第28-29页 |
| 3.3 基于粗集的关联规则挖掘算法 | 第29-34页 |
| 3.3.1 算法相关概念 | 第29页 |
| 3.3.2 算法流程与具体实现 | 第29-31页 |
| 3.3.3 数值的例子 | 第31-34页 |
| 第四章 ART 神经网络 | 第34-45页 |
| 4.1 人工神经网络概述 | 第34-35页 |
| 4.2 人工神经网络的理论基础 | 第35-39页 |
| 4.2.1 神经元模型 | 第35-38页 |
| 4.2.2 学习规则 | 第38-39页 |
| 4.3 自适应共振理论网络 | 第39-45页 |
| 4.3.1 ART 的模型结构 | 第39-42页 |
| 4.3.2 ART 模型的工作流程 | 第42-43页 |
| 4.3.3 ART 模型的基本算法 | 第43-45页 |
| 第五章 电子商务个性化推荐系统 | 第45-67页 |
| 5.1 相关概念 | 第45-49页 |
| 5.2 推荐系统中的常用技术 | 第49-56页 |
| 5.2.1 基于内容的推荐 | 第49-50页 |
| 5.2.2 基于协同过滤的推荐 | 第50-53页 |
| 5.2.3 基于关联规则的推荐 | 第53-56页 |
| 5.3 基于关联规则和ART 的推荐技术 | 第56-60页 |
| 5.3.1 概述 | 第56-58页 |
| 5.3.2 离线预处理阶段 | 第58-59页 |
| 5.3.3 在线推荐阶段 | 第59-60页 |
| 5.4 基于关联规则和ART 的电子商务推荐系统的实现 | 第60-66页 |
| 5.4.1 项目实施环境 | 第60页 |
| 5.4.2 数据准备 | 第60-61页 |
| 5.4.3 数据预处理 | 第61-62页 |
| 5.4.4 用ART 神经网络进行用户聚类 | 第62-63页 |
| 5.4.5 产生关联规则 | 第63-64页 |
| 5.4.6 存入知识库 | 第64-65页 |
| 5.4.7 在线推荐 | 第65-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第六章 结束语 | 第67-68页 |
| 6.1 总结 | 第67页 |
| 6.2 今后工作的展望 | 第67-68页 |
| 参考文献 | 第68-70页 |
| 附录 | 第70-72页 |
| 附录1 APRIORI算法伪代码 | 第70-72页 |
| 致谢 | 第72-73页 |
| 攻读学位期间发表的学术论文 | 第73-75页 |