| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景 | 第9页 |
| 1.2 国内外研究状况 | 第9-10页 |
| 1.3 研究的内容 | 第10-11页 |
| 1.4 本论文的结构安排 | 第11-12页 |
| 第二章 Hadoop技术与关联规则理论 | 第12-30页 |
| 2.1 Hadoop相关的基本概念 | 第12-16页 |
| 2.1.1 Hadoop的定义 | 第12-13页 |
| 2.1.2 Hadoop的优势 | 第13页 |
| 2.1.3 Hadoop的主要模块构成 | 第13-15页 |
| 2.1.4 Hadoop的拓扑结构 | 第15-16页 |
| 2.2 Hadoop的核心组件 | 第16-19页 |
| 2.2.1 分布式文件系统HDFS | 第16-18页 |
| 2.2.2 并行计算架构Map Reduce | 第18-19页 |
| 2.3 关联规则的相关概念 | 第19-22页 |
| 2.3.1 关联规则的常用术语 | 第19-20页 |
| 2.3.2 关联规则的挖掘过程 | 第20-21页 |
| 2.3.3 关联规则的相关算法 | 第21-22页 |
| 2.4 Aproiri算法实例描述 | 第22-26页 |
| 2.4.1 Apriori的算法描述 | 第23-24页 |
| 2.4.2 Apriori的算法举例 | 第24-26页 |
| 2.5 Fp-Growth算法实例描述 | 第26-29页 |
| 2.5.1 Fp-Growth算法的描述 | 第26页 |
| 2.5.2 Fp-Growth算法的举例 | 第26-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 基于Hadoop的Apriori算法分析与改进 | 第30-41页 |
| 3.1 Apriori TMC算法的基本思想 | 第30页 |
| 3.2 Apriori TMC算法的描述 | 第30-33页 |
| 3.3 Apriori TMC算法的伪代码 | 第33-34页 |
| 3.4 Apriori TMC算法的实例分析 | 第34-36页 |
| 3.5 Apriori TMC算法的性能分析 | 第36页 |
| 3.6 Apriori TMC算法的并行策略 | 第36-39页 |
| 3.7 Apriori TMC算法的并行性能分析 | 第39-40页 |
| 3.8 本章小结 | 第40-41页 |
| 第四章 基于Hadoop的Fp-Growth算法的分析与应用 | 第41-49页 |
| 4.1 基于Hadoop的Fp-Growth算法设计思想 | 第41-42页 |
| 4.2 搜索引擎的原理描述 | 第42-43页 |
| 4.3 基于关联规则的搜索引擎用户行为分析 | 第43-45页 |
| 4.4 关联规则在搜索引擎的应用场景设计 | 第45-46页 |
| 4.4.1 应用结构设计 | 第45页 |
| 4.4.2 数据流设计 | 第45-46页 |
| 4.5 关联规则在搜索引擎日志挖掘伪代码 | 第46-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第五章 实验设计与分析 | 第49-56页 |
| 5.1 实验环境建立 | 第49-50页 |
| 5.2 并行Apriori TMC算法的实验与分析 | 第50-53页 |
| 5.2.1 在单机条件下 | 第50-51页 |
| 5.2.2 多节点集群测试 | 第51-53页 |
| 5.3 并行Fp-growth算法在搜素引擎应用实验与分析 | 第53-54页 |
| 5.4 本章小结 | 第54-56页 |
| 第六章 总结与展望 | 第56-57页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间取得的成果 | 第61-62页 |
