| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.3 研究内容 | 第10-11页 |
| 1.4 论文组织架构 | 第11页 |
| 1.5 本章小结 | 第11-12页 |
| 2 数据挖掘概述 | 第12-14页 |
| 2.1 数据挖掘产生背景 | 第12页 |
| 2.2 数据挖掘的定义 | 第12页 |
| 2.3 数据挖掘的方法 | 第12-13页 |
| 2.4 一些数据挖掘的软件 | 第13页 |
| 2.5 本章小结 | 第13-14页 |
| 3 现有相关算法综述 | 第14-18页 |
| 3.1 频繁模式挖掘 | 第14页 |
| 3.2 高效模式挖掘 | 第14-16页 |
| 3.3 Top-k高效模式挖掘 | 第16页 |
| 3.4 与之前工作的区别 | 第16-17页 |
| 3.5 本章小结 | 第17-18页 |
| 4 缩小候选集挖掘Top-k高效模式 | 第18-35页 |
| 4.1 准备工作(相关定义) | 第18-20页 |
| 4.2 采用提高阈值挖掘Top-k高效模式的算法概览 | 第20页 |
| 4.3 全局树的构建 | 第20-28页 |
| 4.3.1 二项式估计效用值降序排列阈值提高策略(2-PUP) | 第21-23页 |
| 4.3.2 事务效用值阈值提高策略(TUD) | 第23页 |
| 4.3.3 通过真实项目效用值来提高阈值策略(EIU) | 第23-26页 |
| 4.3.4 项目支持度降序排列阈值提高策略(ISD) | 第26-28页 |
| 4.4 从全局树中产生潜在的Top-k高效模式 | 第28-29页 |
| 4.5 从候选集中识别出Top-k高效模式(SEP) | 第29-34页 |
| 4.6 本章小结 | 第34-35页 |
| 5 实验与分析 | 第35-49页 |
| 5.1 实验环境和数据集 | 第35-36页 |
| 5.2 基于现实数据的性能比较 | 第36-45页 |
| 5.3 显著性检验 | 第45-46页 |
| 5.4 不同参数下的性能比较 | 第46-47页 |
| 5.5 扩展性检验 | 第47页 |
| 5.6 性能提升定量分析 | 第47-48页 |
| 5.7 本章小结 | 第48-49页 |
| 6 总结和展望 | 第49-50页 |
| 6.1 论文总结 | 第49页 |
| 6.2 论文展望 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 附录 | 第55页 |
| A. 作者在攻读硕士学位期间发表的论文 | 第55页 |
