| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文主要工作 | 第10页 |
| 1.4 本文组织结构 | 第10-12页 |
| 第二章 相关支撑技术综述 | 第12-23页 |
| 2.1 数据流挖掘概况 | 第12-13页 |
| 2.1.1 数据流的特点 | 第12-13页 |
| 2.1.2 数据流挖掘的挑战 | 第13页 |
| 2.2 数据流聚类算法 | 第13-15页 |
| 2.2.1 数据流挖掘中的聚类算法特点 | 第13-14页 |
| 2.2.2 数据流聚类算法 | 第14-15页 |
| 2.3 频繁项集挖掘算法 | 第15-18页 |
| 2.3.1 相关定义 | 第16页 |
| 2.3.2 Apriori算法 | 第16-17页 |
| 2.3.3 Count Distribution算法 | 第17-18页 |
| 2.3.4 Data Distribution算法 | 第18页 |
| 2.4 推荐算法 | 第18-21页 |
| 2.4.1 推荐算法的基本条件 | 第19页 |
| 2.4.2 主要的推荐算法 | 第19-21页 |
| 2.5 MapReduce并行计算 | 第21-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第三章 基于二叉树的频繁项集挖掘算法 | 第23-29页 |
| 3.1 引言 | 第23-24页 |
| 3.2 FIMB算法概述 | 第24-27页 |
| 3.2.1 算法基本思路分析 | 第24-25页 |
| 3.2.2 遍历二叉树求取子集 | 第25-27页 |
| 3.3 实验结果与分析 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第四章 基于信任关系的推荐系统模型 | 第29-42页 |
| 4.1 引言 | 第29-30页 |
| 4.2 相关工作 | 第30页 |
| 4.3 模型概述 | 第30-37页 |
| 4.3.1 相关术语 | 第31-32页 |
| 4.3.2 信任关系描述 | 第32-33页 |
| 4.3.3 搜索推荐 | 第33-35页 |
| 4.3.4 决策 | 第35-36页 |
| 4.3.5 更新信任值 | 第36-37页 |
| 4.3.6 性能评估方法 | 第37页 |
| 4.4 结果分析 | 第37-40页 |
| 4.4.1 近似分析 | 第38-39页 |
| 4.4.2 性能评估 | 第39-40页 |
| 4.5 本章小结 | 第40-42页 |
| 第五章 基于点击流挖掘的推荐系统框架模型 | 第42-49页 |
| 5.1 引言 | 第42-43页 |
| 5.2 系统框架模型 | 第43-47页 |
| 5.2.1 点击流数据仓库 | 第44页 |
| 5.2.2 点击流数据预处理 | 第44-46页 |
| 5.2.3 系统概述 | 第46-47页 |
| 5.3 推荐结果评估 | 第47-48页 |
| 5.4 本章小结 | 第48-49页 |
| 第六章 总结与展望 | 第49-51页 |
| 6.1 本文工作总结 | 第49页 |
| 6.2 研究展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 附录1 图表清单 | 第54-55页 |
| 附录2 攻读硕士学位期间撰写的论文 | 第55-56页 |
| 致谢 | 第56页 |