首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机软件论文--程序设计、软件工程论文--程序设计论文

基于MapReduce的分布式内嵌树模式挖掘

摘要第4-5页
ABSTRACT第5-6页
1 绪论第10-18页
    1.1 研究背景和研究动机第10页
    1.2 研究现状第10-14页
        1.2.1 树模式挖掘算法第10-13页
        1.2.2 分布式模式挖掘算法第13-14页
    1.3 主要工作和创新点第14-15页
    1.4 本文的组织结构第15-18页
2 相关概念和算法第18-26页
    2.1 基本概念第18-24页
        2.1.1 树的定义和表示第18-19页
        2.1.2 树模式的类型第19-21页
        2.1.3 树的标准型第21页
        2.1.4 模式支持度第21-24页
            2.1.4.1 事务型第22-23页
            2.1.4.2 单树型第23-24页
        2.1.5 树模式挖掘问题的定义第24页
    2.2 分布式计算框架第24-25页
    2.3 本章小结第25-26页
3 基于MapReduce的事务型树模式挖掘第26-48页
    3.1 问题的引出第26页
    3.2 一个高效的串行挖掘算法:SLEUTH第26-28页
    3.3 基于MapReduce的挖掘算法:TETPM第28-39页
        3.3.1 基本框架第29-31页
            3.3.1.1 准备阶段第29-30页
            3.3.1.2 迭代阶段第30-31页
        3.3.2 负载均衡策略第31-33页
        3.3.3 TETPM算法的实现第33-36页
            3.3.3.1 TETPM算法在Hadoop上的实现第33-34页
            3.3.3.2 TETPM算法在Spark上的实现第34-36页
        3.3.4 算法复杂度分析第36-38页
            3.3.4.1 TETPM-P算法第36-37页
            3.3.4.2 TETPM-E算法第37-38页
        3.3.5 TETPM-P和TETPM-E的比较第38-39页
    3.4 实验分析第39-46页
        3.4.1 实验环境和数据集第39-41页
            3.4.1.1 实验环境第39页
            3.4.1.2 实验数据集第39-41页
        3.4.2 实验结果分析第41-46页
            3.4.2.1 单机算法的局限性第41-42页
            3.4.2.2 不同阈值下算法性能对比第42-44页
            3.4.2.3 Hadoop和Spark上算法运行对比第44-45页
            3.4.2.4 并行度对TETPM算法的影响第45-46页
    3.5 本章小结第46-48页
4 基于MapReduce的单树型模式挖掘第48-70页
    4.1 整体框架第48-56页
        4.1.1 枚举候选模式阶段第48-49页
        4.1.2 本地挖掘阶段第49-53页
            4.1.2.1 扩展外部子孙节点策略第49-50页
            4.1.2.2 通过路径匹配算法计算实例路径第50-53页
        4.1.3 全局统计阶段第53-54页
        4.1.4 EtpmLtd算法第54-56页
    4.2 EtpmLtd算法的优化第56-59页
        4.2.1 通过本地支持度筛选模式第56-57页
        4.2.2 通过支持度约束减少通讯第57-58页
        4.2.3 EtpmLtd+算法第58-59页
    4.3 算法复杂度分析第59-63页
        4.3.1 EtpmLtd算法第61-62页
        4.3.2 EtpmLtd+算法第62-63页
    4.4 实验分析第63-69页
        4.4.1 实验环境和数据集第63-64页
            4.4.1.1 实验环境第63-64页
            4.4.1.2 实验数据集第64页
        4.4.2 实验结果分析第64-69页
            4.4.2.1 不同阈值下算法性能对比第65-68页
            4.4.2.2 并行度对算法的影响第68页
            4.4.2.3 数据集规模对算法的影响第68-69页
    4.5 本章小结第69-70页
5 总结与展望第70-74页
    5.1 本文的主要贡献第70-71页
    5.2 工作展望第71-74页
参考文献第74-80页
致谢第80-82页
硕士期间研究成果第82-83页

论文共83页,点击 下载论文
上一篇:面向大型开源社区的缺陷数据分析与研究
下一篇:人物模型在软件迭代需求中的实践研究