| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 研究综述 | 第11-15页 |
| 1.2.1 关联规则算法相关研究 | 第12-13页 |
| 1.2.2 关联规则质量改善研究 | 第13-14页 |
| 1.2.3 既有研究评述 | 第14-15页 |
| 1.3 主要研究内容及技术路线 | 第15-17页 |
| 1.3.1 研究的主要内容 | 第15-16页 |
| 1.3.2 技术路线 | 第16-17页 |
| 1.4 论文的创新点 | 第17-18页 |
| 2 相关概念界定及理论基础 | 第18-33页 |
| 2.1 知识发现 | 第18-20页 |
| 2.1.1 知识发现概念辨析 | 第18页 |
| 2.1.2 知识发现的过程 | 第18-19页 |
| 2.1.3 知识发现的任务 | 第19页 |
| 2.1.4 知识发现的方法 | 第19-20页 |
| 2.2 领域知识 | 第20-22页 |
| 2.2.1 领域知识的定义 | 第21页 |
| 2.2.2 领域知识的来源 | 第21-22页 |
| 2.2.3 领域知识在知识发现中的应用 | 第22页 |
| 2.3 关联规则Apriori算法概述 | 第22-28页 |
| 2.3.1 关联规则 | 第22-23页 |
| 2.3.2 关联规则基本概念 | 第23-24页 |
| 2.3.3 Apriori算法的基本思路及步骤 | 第24-26页 |
| 2.3.4 Apriori算法实例 | 第26-28页 |
| 2.4 聚类 | 第28-33页 |
| 2.4.1 聚类的概念 | 第28页 |
| 2.4.2 距离度量 | 第28-30页 |
| 2.4.3 主要聚类方法 | 第30-33页 |
| 3 基于分块矩阵的Apriori规则挖掘 | 第33-42页 |
| 3.1 Apriori相关改进算法分析 | 第33-34页 |
| 3.2 基于矩阵的Apriori算法 | 第34-36页 |
| 3.2.1 基本思想 | 第34-35页 |
| 3.2.2 基本概念 | 第35-36页 |
| 3.2.3 算法对比 | 第36页 |
| 3.3 基于矩阵的Apriori改进算法 | 第36-42页 |
| 3.3.1 相关性质及定理 | 第36-37页 |
| 3.3.2 改进思路 | 第37-38页 |
| 3.3.3 改进算法的整体流程 | 第38-39页 |
| 3.3.4 算例演示 | 第39-42页 |
| 4 融合领域知识的二次规则挖掘 | 第42-51页 |
| 4.1 融合领域知识的关联规则聚类及离群点挖掘思路 | 第42-43页 |
| 4.2 关联规则距离度量 | 第43-44页 |
| 4.2.1 现有规则距离度量方法 | 第43页 |
| 4.2.2 规则距离度量 | 第43-44页 |
| 4.3 DBSCAN聚类算法 | 第44-47页 |
| 4.3.1 聚类算法选择 | 第44-45页 |
| 4.3.2 DBSCAN算法基本概念及思路 | 第45-47页 |
| 4.3.3 DBSCAN算法应用于领域知识规则聚类的不足及其成因 | 第47页 |
| 4.4 融合领域知识的二次规则挖掘算法 | 第47-51页 |
| 4.4.1 LOF离群因子算法 | 第47-49页 |
| 4.4.2 基于k邻域改进的DBSCAN算法 | 第49页 |
| 4.4.3 融合领域知识的二次规则挖掘算法过程 | 第49-51页 |
| 5 实验分析 | 第51-61页 |
| 5.1 数据来源及实验环境 | 第51页 |
| 5.2 数据结构及预处理 | 第51-54页 |
| 5.2.1 数据结构 | 第51页 |
| 5.2.2 数据预处理 | 第51-54页 |
| 5.3 关联规则改进算法对比 | 第54-56页 |
| 5.4 二次规则挖掘 | 第56-61页 |
| 6 结论与展望 | 第61-62页 |
| 6.1 结论 | 第61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第65-66页 |
| 致谢 | 第66页 |