| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 传统的数据频繁项集挖掘 | 第9页 |
| 1.2.2 不确定性数据挖掘 | 第9-11页 |
| 1.3 研究的目的和内容 | 第11-12页 |
| 1.4 本文组织结构 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 2 不确定性数据频繁项集挖掘基础 | 第14-26页 |
| 2.1 数据挖掘概述 | 第14-15页 |
| 2.1.1 数据挖掘的定义 | 第14页 |
| 2.1.2 数据挖掘的研究方法 | 第14-15页 |
| 2.2 关联规则 | 第15-18页 |
| 2.2.1 关联规则概念和定义 | 第15-17页 |
| 2.2.2 频繁项集挖掘算法 | 第17-18页 |
| 2.3 不确定性数据模型概述 | 第18-20页 |
| 2.3.1 不确定性数据 | 第18-19页 |
| 2.3.2 不确定性数据的表现形式 | 第19-20页 |
| 2.4 不确定性数据模型 | 第20-22页 |
| 2.5 不确定性数据中挖掘频繁项集的基础 | 第22-24页 |
| 2.5.1 基于期望支持度的频繁模式 | 第22-23页 |
| 2.5.2 基于支持度概率的频繁模式 | 第23-24页 |
| 2.6 本章小结 | 第24-26页 |
| 3 基于树状结构压缩数据概述 | 第26-38页 |
| 3.1 FP-tree结构 | 第26-28页 |
| 3.2 UF-tree结构 | 第28-30页 |
| 3.3 PUF-tree结构 | 第30-33页 |
| 3.4 tubeS-tree结构概述 | 第33-36页 |
| 3.5 本章小结 | 第36-38页 |
| 4 基于tubeS-growth改进的PtubeS-growth算法 | 第38-54页 |
| 4.1 tubeS-growth算法的描述 | 第38-39页 |
| 4.2 实验结果分析 | 第39-42页 |
| 4.2.1 假性频繁项集数量 | 第40-41页 |
| 4.2.2 运行时间分析 | 第41-42页 |
| 4.3 问题提出 | 第42-43页 |
| 4.4 基于数据库划分方法的算法思想介绍 | 第43-47页 |
| 4.4.1 算法思想 | 第43页 |
| 4.4.2 算法的相关变量和定义 | 第43-44页 |
| 4.4.3 基于数据库划分方法的算法有效性分析 | 第44-47页 |
| 4.5 PtubeS-growth算法的描述 | 第47-50页 |
| 4.6 PtubeS-growth算法伪代码 | 第50-52页 |
| 4.7 PtubeS-growth算法流程图 | 第52-53页 |
| 4.8 本章小结 | 第53-54页 |
| 5 实证研究 | 第54-62页 |
| 5.1 数据库划分 | 第54-56页 |
| 5.1.1 垂直划分 | 第54-55页 |
| 5.1.2 水平划分 | 第55-56页 |
| 5.1.3 划分规则 | 第56页 |
| 5.2 实验分析 | 第56-57页 |
| 5.3 假性频繁项集数量 | 第57-58页 |
| 5.4 运行时间对比及分析 | 第58-60页 |
| 5.5 本章小结 | 第60-62页 |
| 6 总结与展望 | 第62-64页 |
| 6.1 本文研究成果 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 附录：本人在攻读硕士学位期间发表的论文 | 第70页 |