| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 引言 | 第10-17页 |
| ·课题背景 | 第10-11页 |
| ·数据容量的飞速增长 | 第10页 |
| ·巨量数据挖掘 | 第10-11页 |
| ·研究目的和意义 | 第11-13页 |
| ·国内外研究现状 | 第13-14页 |
| ·研究的内容和解决的关键问题 | 第14-15页 |
| ·本文研究的内容 | 第14-15页 |
| ·本文研究的关键点 | 第15页 |
| ·本文的创新之处 | 第15-16页 |
| ·本文的组织结构 | 第16页 |
| ·本章小结 | 第16-17页 |
| 第二章 云计算的介绍和 Hadoop 分析 | 第17-36页 |
| ·Google 云计算技术原理 | 第17-22页 |
| ·Google 文件系统GFS(Google File System) | 第18-19页 |
| ·MapReduce 并行数据处理框架 | 第19-21页 |
| ·Google Chubby | 第21页 |
| ·Google Bigtable(分布式结构化数据表) | 第21-22页 |
| ·开源云计算系统 Hadoop | 第22-35页 |
| ·Hadoop 的架构 | 第22页 |
| ·Hadoop 分布式文件系统概述 | 第22-29页 |
| ·MapReduce 分布式计算模型的实现原理 | 第29-35页 |
| ·小结 | 第35-36页 |
| 第三章 关联分类算法的研究 | 第36-57页 |
| ·关联分类(associative classfication)的核心:关联规则 | 第36-38页 |
| ·关联规则的基本概念 | 第36-38页 |
| ·关联规则的挖掘步骤 | 第38页 |
| ·Apriori 算法主要思想 | 第38-42页 |
| ·Apriori 挖掘频繁项集的过程 | 第39-40页 |
| ·由频繁项集产生关联规则 | 第40-41页 |
| ·算法的性能瓶颈问题 | 第41页 |
| ·Apriori 算法的改进方案 | 第41-42页 |
| ·关联分类 | 第42-47页 |
| ·CBA 算法 | 第42-43页 |
| ·CMAR 算法 | 第43-47页 |
| ·生成频繁项集的改进方案 | 第47-55页 |
| ·改进的思想 | 第47-49页 |
| ·算法方案 | 第49-54页 |
| ·改进算法的执行步骤 | 第54-55页 |
| ·算法的实验效果 | 第55页 |
| 本章小结 | 第55-57页 |
| 第四章 关联分类算法在 Hadoop 平台的实现 | 第57-74页 |
| ·关联分类算法在集群上的研究 | 第57-66页 |
| ·生成频繁项集阶段 | 第57-61页 |
| ·分类规则生成阶段 | 第61-63页 |
| ·分类阶段的MapReduce 化 | 第63-66页 |
| ·关联分类算法在 Hadoop 的实验和结果分析 | 第66-73页 |
| ·频繁项集生成实验及结果分析 | 第67-69页 |
| ·规则生成实验及结果分析 | 第69-71页 |
| ·分类实验及结果分析 | 第71-73页 |
| ·本章小结 | 第73-74页 |
| 第五章 研究总结及展望 | 第74-76页 |
| ·本文的研究总结 | 第74页 |
| ·下一步的工作计划 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-79页 |
| 攻硕期间取得的研究成果 | 第79-80页 |
