| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 第一节 研究背景及意义 | 第9-11页 |
| 一、研究背景 | 第9-11页 |
| 二、研究意义 | 第11页 |
| 第二节 相关研究动态 | 第11-14页 |
| 一、基于抽样技术的近似频繁项集发现研究 | 第12-13页 |
| 二、并行/分布式频繁项集发现研究 | 第13-14页 |
| 第三节 主要研究内容 | 第14页 |
| 第四节 论文组织结构 | 第14-15页 |
| 第五节 本章小结 | 第15-16页 |
| 第二章 计算学习基本理论 | 第16-31页 |
| 第一节PAC学习框架 | 第16-22页 |
| 一、PAC学习模型定义 | 第16-19页 |
| 二、一般化 | 第19-22页 |
| 三、PAC学习小结 | 第22页 |
| 第二节Rademacher复杂度和VC维 | 第22-29页 |
| 一、Rademacher复杂度 | 第23-25页 |
| 二、增长函数（Growth function） | 第25-26页 |
| 三、VC维 | 第26-29页 |
| 第三节 本章小结 | 第29-31页 |
| 第三章 关联分析：基本概念和算法 | 第31-43页 |
| 第一节 基本概念 | 第31-36页 |
| 一、频繁项集定义 | 第31-32页 |
| 二、频繁项集产生 | 第32-33页 |
| 三、频繁项集的紧凑表示 | 第33-36页 |
| 第二节 频繁项集产生算法 | 第36-42页 |
| 一、Apriori算法的频繁项集产生 | 第36-38页 |
| 二、FP-Growth算法的频繁项集产生 | 第38-40页 |
| 三、产生频繁项集的其他方法 | 第40-42页 |
| 第三节 本章小结 | 第42-43页 |
| 第四章 计算学习在关联分析中的应用 | 第43-53页 |
| 第一节 基于VC维的频繁项集发现抽样方法 | 第43-47页 |
| 一、数据集的值空间和它的VC维 | 第43-45页 |
| 二、计算数据集的d-索引 | 第45-46页 |
| 三、挖掘频繁项集 | 第46-47页 |
| 第二节 基于经验Rademacher复杂度的频繁项集发现 | 第47-51页 |
| 一、近似频繁项集 | 第47-48页 |
| 二、数据集样本经验Rademacher复杂度 | 第48-50页 |
| 三、频繁项集发现 | 第50-51页 |
| 第三节 基于Bernstein不等式的频繁项集发现 | 第51-52页 |
| 一、近似误差边界 | 第51-52页 |
| 二、数据集样本边界 | 第52页 |
| 第四节 本章小结 | 第52-53页 |
| 第五章 实验评估 | 第53-62页 |
| 第一节 实验环境，数据集及参数 | 第53-54页 |
| 第二节 基于经验Rademacher复杂度的方法评估 | 第54-57页 |
| 一、召回率，准确率及频率误差 | 第54-56页 |
| 二、运行时间 | 第56-57页 |
| 第三节 基于Bernstein不等式的方法评估 | 第57-59页 |
| 一、样本数据集特征 | 第57-58页 |
| 二、串行计算运行时间 | 第58-59页 |
| 三、并行计算运行时间 | 第59页 |
| 第四节 不同理论方法的对比 | 第59-61页 |
| 第五节 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间完成的科研成果 | 第69页 |
