| 摘要 | 第12-14页 |
| ABSTRACT | 第14-15页 |
| 第一章 引言 | 第16-24页 |
| 1.1 项集：数据挖掘研究领域的焦点之一 | 第17-19页 |
| 1.2 频繁及高可用项集挖掘问题的研究现状 | 第19-22页 |
| 1.3 本论文主要内容与组织结构 | 第22-24页 |
| 第二章 频繁项集挖掘问题 | 第24-40页 |
| 2.1 概述 | 第24-27页 |
| 2.1.1 问题形式化定义 | 第24-26页 |
| 2.1.2 搜索空间与方法 | 第26-27页 |
| 2.2 基础频繁项集挖掘算法介绍 | 第27-32页 |
| 2.2.1 经典的候选生成Apriori算法 | 第27-28页 |
| 2.2.2 以垂直视角处理数据库的Eclat算法 | 第28-29页 |
| 2.2.3 基于前缀树结构的FP-growth算法 | 第29-32页 |
| 2.3 性能测试的软硬件环境 | 第32-36页 |
| 2.3.1 数据库描述 | 第32-33页 |
| 2.3.2 参照算法介绍 | 第33-36页 |
| 2.3.3 其他软硬件设施 | 第36页 |
| 2.4 实验一：三种基础算法的性能测试 | 第36-40页 |
| 2.4.1 实验结果 | 第36-37页 |
| 2.4.2 性能评价 | 第37-40页 |
| 第三章 BFP-growth：一种快速的模式增长算法 | 第40-55页 |
| 3.1 经典模式增长算法的性能分析 | 第40-42页 |
| 3.1.1 影响FP-growth性能的三个因素 | 第40-41页 |
| 3.1.2 ICDM最佳算法：FPgrowth~* | 第41-42页 |
| 3.2 批量模式增长算法：BFP-growth | 第42-48页 |
| 3.2.1 性能提升的途径 | 第43-44页 |
| 3.2.2 核心步骤：两次前缀树遍历 | 第44-47页 |
| 3.2.3 算法伪代码 | 第47-48页 |
| 3.3 BFP-growth算法的性能分析 | 第48-51页 |
| 3.3.1 更少的遍历花费 | 第48-49页 |
| 3.3.2 FP-array技术应该集成在BFP-growth中吗 | 第49-50页 |
| 3.3.3 无修饰的前缀树结构 | 第50-51页 |
| 3.4 实验二：BFP-growth的性能测试及讨论 | 第51-54页 |
| 3.4.1 BFP-growth及FPgrowth~*与基础算法的对比 | 第51-52页 |
| 3.4.2 实验结果讨论 | 第52-54页 |
| 3.5 小结 | 第54-55页 |
| 第四章 基于结点集合结构的NS算法 | 第55-68页 |
| 4.1 Eclat及FP-growth算法的优缺点 | 第55-57页 |
| 4.2 结点集合结构(Node-set) | 第57-60页 |
| 4.2.1 条件结点 | 第57-58页 |
| 4.2.2 结点拓扑序号 | 第58-59页 |
| 4.2.3 使用结点集合结构表示前缀树 | 第59-60页 |
| 4.3 NS算法 | 第60-65页 |
| 4.3.1 映射前缀树到结点集合结构 | 第60-62页 |
| 4.3.2 从结点集合结构中挖掘频繁项集 | 第62-64页 |
| 4.3.3 一个例子 | 第64页 |
| 4.3.4 NS算法的原子操作 | 第64-65页 |
| 4.4 实验三：NS算法与其他快速挖掘算法的性能对比 | 第65-67页 |
| 4.4.1 实验结果 | 第65-66页 |
| 4.4.2 结果讨论：NS算法的性能优势 | 第66-67页 |
| 4.5 小结 | 第67-68页 |
| 第五章 频繁项集挖掘算法的内存耗费 | 第68-71页 |
| 5.1 BFP-growth算法内存使用情况分析 | 第68页 |
| 5.2 NS算法内存使用情况分析 | 第68-70页 |
| 5.3 实验四：快速挖掘算法的内存耗费 | 第70-71页 |
| 第六章 高可用项集挖掘问题 | 第71-77页 |
| 6.1 从频繁项集到高可用项集 | 第71-72页 |
| 6.2 问题的形式化定义 | 第72-73页 |
| 6.3 已有挖掘算法概述 | 第73-77页 |
| 第七章 非候选生成的高可用项集挖掘算法 | 第77-95页 |
| 7.1 项集有用性列表结构 | 第77-82页 |
| 7.1.1 初始有用性列表 | 第78-79页 |
| 7.1.2 2-项集的有用性列表 | 第79-80页 |
| 7.1.3 k-项集有用性列表(k≥3) | 第80-82页 |
| 7.2 HUI-Miner算法 | 第82-85页 |
| 7.2.1 剪枝策略 | 第82-84页 |
| 7.2.2 算法伪代码 | 第84-85页 |
| 7.3 HUI-Miner算法的实现细节 | 第85-87页 |
| 7.3.1 有用性列表表头 | 第85-86页 |
| 7.3.2 重新标注tid | 第86页 |
| 7.3.3 交易权重有用性增加的顺序 | 第86-87页 |
| 7.4 实验五：HUI-Miner性能测试 | 第87-94页 |
| 7.4.1 实验设置 | 第87-88页 |
| 7.4.2 HUI-Miner及对比算法的运行时间 | 第88-90页 |
| 7.4.3 HUI-Miner及对比算法的内存耗费 | 第90-91页 |
| 7.4.4 项处理顺序对HUI-Miner性能的影响 | 第91-92页 |
| 7.4.5 可扩展性 | 第92页 |
| 7.4.6 实验结果讨论 | 第92-94页 |
| 7.5 小结 | 第94-95页 |
| 第八章 从候选集合中快速识别高可用项集 | 第95-111页 |
| 8.1 先前算法的性能瓶颈 | 第95-96页 |
| 8.2 基本识别算法(BIA) | 第96-99页 |
| 8.3 基于候选树的快速识别算法(FIA) | 第99-102页 |
| 8.3.1 候选树结构 | 第99-100页 |
| 8.3.2 快速识别算法 | 第100-102页 |
| 8.4 算法分析：BIA与FIA | 第102-104页 |
| 8.5 实验六：BIA与FIA的性能对比 | 第104-107页 |
| 8.5.1 高可用项集识别时间 | 第105页 |
| 8.5.2 候选项集生成时间 | 第105页 |
| 8.5.3 内存耗费 | 第105-106页 |
| 8.5.4 实验结果分析 | 第106-107页 |
| 8.6 实验七：FIA-UP-Growth+和HUI-Miner的性能对比 | 第107-110页 |
| 8.6.1 运行时间&内存耗费 | 第108-109页 |
| 8.6.2 实验结果分析 | 第109-110页 |
| 8.7 小结 | 第110-111页 |
| 第九章 总结与展望 | 第111-113页 |
| 参考文献 | 第113-126页 |
| 攻博期间研究经历和科研成果 | 第126-127页 |
| 致谢 | 第127页 |
