| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 论文研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状和发展趋势 | 第11-13页 |
| 1.3 本文的研究内容与主要贡献 | 第13-14页 |
| 1.3.1 主要研究内容 | 第13页 |
| 1.3.2 主要贡献 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 2 高频繁度低效用模式挖掘问题及相关定义 | 第16-18页 |
| 3 相关工作 | 第18-23页 |
| 3.1 频繁模式挖掘算法 | 第18页 |
| 3.2 效用模式挖掘算法 | 第18-20页 |
| 3.3 分布式并行模式挖掘算法 | 第20-22页 |
| 3.4 本章小结 | 第22-23页 |
| 4 分布式并行计算框架MapReduce和Spark | 第23-30页 |
| 4.1 分布式并行计算框架MapReduce | 第23-24页 |
| 4.2 分布式并行计算框架Spark | 第24-28页 |
| 4.3 MapReduce与Spark的对比 | 第28-29页 |
| 4.4 本章小结 | 第29-30页 |
| 5 高频繁度低效用模式挖掘算法HFLUP | 第30-43页 |
| 5.1 高频繁度低效用模式挖掘基础算法HFLUP_(Base) | 第30-38页 |
| 5.1.1 搜索空间 | 第30-31页 |
| 5.1.2 数据结构 | 第31-35页 |
| 5.1.3 从FULs中直接挖掘出高频繁度低效用模式 | 第35-38页 |
| 5.2 高频繁度低效用模式挖掘基础算法HFLUP以及高效的策略 | 第38-42页 |
| 5.2.1 通过效用下界减少搜索空间 | 第38-41页 |
| 5.2.2 通过lookahead避免枚举 | 第41-42页 |
| 5.3 本章小结 | 第42-43页 |
| 6 基于Spark的并行高频繁度低效用模式挖掘算法PHFLUPS | 第43-51页 |
| 6.1 算法第一阶段 | 第44-45页 |
| 6.2 算法第二阶段 | 第45-47页 |
| 6.3 算法第三阶段 | 第47-50页 |
| 6.4 本章小结 | 第50-51页 |
| 7 实验分析 | 第51-64页 |
| 7.1 实验环境和数据集 | 第51-52页 |
| 7.2 单机高频繁度低效用模式挖掘算法评估比较 | 第52-59页 |
| 7.2.1 分析效用下界裁剪策略和lookahead策略 | 第53-56页 |
| 7.2.2 运行时间和内存使用 | 第56-59页 |
| 7.3 并行高频繁度低效用模式挖掘算法评估比较 | 第59-63页 |
| 7.3.1 速度性能分析 | 第60-62页 |
| 7.3.2 可伸缩性性能分析 | 第62-63页 |
| 7.4 本章小结 | 第63-64页 |
| 8 总结与展望 | 第64-66页 |
| 8.1 论文总结 | 第64-65页 |
| 8.2 未来展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 本文作者硕士期间参加的科研项目及学术成果 | 第70-71页 |
| 致谢 | 第71-72页 |
