| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-12页 |
| ·课题背景 | 第8-10页 |
| ·数据挖掘 | 第8页 |
| ·互联网背景下的大规模数据挖掘 | 第8-9页 |
| ·云计算平台 | 第9-10页 |
| ·研究目的和意义 | 第10-11页 |
| ·论文研究内容 | 第11页 |
| ·论文组织结构 | 第11-12页 |
| 第二章 云计算平台相关技术介绍 | 第12-21页 |
| ·分布式数据存储系统 BigTable | 第12-13页 |
| ·BigTable 概述 | 第12页 |
| ·BigTable 数据模型 | 第12-13页 |
| ·Google 分布式文件系统 GFS | 第13-16页 |
| ·GFS 简介 | 第13-14页 |
| ·GFS 系统架构 | 第14-15页 |
| ·GFS 研究总结 | 第15-16页 |
| ·MapReduce 编程框架 | 第16-18页 |
| ·编程模式 | 第16页 |
| ·MapReduce 计算过程 | 第16-17页 |
| ·研究 MapReduce 的意义 | 第17-18页 |
| ·Hadoop 云计算平台 | 第18-20页 |
| ·Hadoop 概述 | 第18页 |
| ·Hadoop 构造模块 | 第18-20页 |
| ·本章小结 | 第20-21页 |
| 第三章 基于 MapReduce 的逻辑回归研究 | 第21-31页 |
| ·逻辑回归简介 | 第21-22页 |
| ·基于模拟退火的随机梯度下降算法 | 第22-25页 |
| ·梯度下降算法介绍 | 第22-23页 |
| ·模拟退火介绍 | 第23页 |
| ·模拟退火算法描述 | 第23-24页 |
| ·算法改进 | 第24-25页 |
| ·特征变量选择 | 第25-26页 |
| ·显著性检验 | 第25页 |
| ·常见特征变量选择方法 | 第25-26页 |
| ·单一特征变量选择算法 | 第26页 |
| ·算法 MapReduce 化 | 第26-30页 |
| ·训练样本预处理 | 第27-28页 |
| ·模型训练 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 第四章 基于 MapReduce 的关联规则挖掘研究 | 第31-46页 |
| ·关联规则挖掘简介 | 第31-32页 |
| ·关联规则挖掘详解 | 第32-34页 |
| ·频繁项集 | 第32-33页 |
| ·关联规则 | 第33-34页 |
| ·常见关联规则算法 | 第34-36页 |
| ·基于频繁项集划分的并行化关联算法 | 第36-39页 |
| ·频繁项集划分算法分析 | 第36-37页 |
| ·随机子集抽样 | 第37-38页 |
| ·算法 MapReduce 化 | 第38-39页 |
| ·基于 HBase 的 Eclat 并行化关联规则算法 | 第39-45页 |
| ·Eclat 算法简介 | 第39-40页 |
| ·Eclat 支持度计算方法 | 第40-41页 |
| ·Eclat 算法分析 | 第41页 |
| ·Eclat 算法改进 | 第41-42页 |
| ·使用 HBase 优化处理 Eclat 算法 | 第42-43页 |
| ·进一步使用 MapReduce 改进算法 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第五章 实验与分析 | 第46-55页 |
| ·实验环境 | 第46-50页 |
| ·主机规划 | 第46页 |
| ·Hadoop 配置与安装 | 第46-48页 |
| ·HBase 配置与安装 | 第48-50页 |
| ·实验一：挖掘潜在消费者的逻辑回归 | 第50-52页 |
| ·数据准备 | 第50页 |
| ·实验结果与分析 | 第50-52页 |
| ·实验二：用户广告推荐的关联规则挖掘 | 第52-54页 |
| ·数据准备 | 第52页 |
| ·实验结果与分析 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-56页 |
| ·论文总结 | 第55页 |
| ·未来展望 | 第55-56页 |
| 参考文献 | 第56-58页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第58-59页 |
| 致谢 | 第59页 |