| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 选题背景与选题意义 | 第10-13页 |
| 1.2 大数据研究状况 | 第13-15页 |
| 1.2.1 大数据的数据类型 | 第13页 |
| 1.2.2 大数据的获取 | 第13-14页 |
| 1.2.3 大数据的分析建模 | 第14页 |
| 1.2.4 大数据的存储与架构体系 | 第14-15页 |
| 1.3 研究内容与思路 | 第15-17页 |
| 1.4 本文的组织结构 | 第17-18页 |
| 第2章 非结构化数据的转化 | 第18-25页 |
| 2.1 非结构化数据 | 第18-21页 |
| 2.1.1 结构化数据 | 第18-19页 |
| 2.1.2 数据源 | 第19页 |
| 2.1.3 数据转化技术 | 第19-20页 |
| 2.1.4 XML文档转化结构化数据 | 第20-21页 |
| 2.2 数据预处理 | 第21-25页 |
| 2.2.1 Dom4j生成XML | 第22页 |
| 2.2.2 事务数据库 | 第22-25页 |
| 第3章 Apriori算法改进 | 第25-35页 |
| 3.1 Apriori算法简介 | 第25页 |
| 3.2 Apriori算法原理 | 第25-27页 |
| 3.3 Apriori算法示例与改进 | 第27-30页 |
| 3.3.1 Apriori算法示例 | 第27-29页 |
| 3.3.2 改进Apriori算法的方法 | 第29-30页 |
| 3.4 Boolean矩阵Apriori算法的改进实现 | 第30-35页 |
| 3.4.1 数据库事务的Boolean矩阵表示 | 第30-31页 |
| 3.4.2 Boolean矩阵的逻辑运算 | 第31-33页 |
| 3.4.3 案例分析 | 第33-35页 |
| 第4章 数据相关性分析模型 | 第35-51页 |
| 4.1 S-C模型和关联矩阵分析模型 | 第35-38页 |
| 4.1.1 S-C数据分析模型 | 第35-37页 |
| 4.1.2 关联矩阵分析模型 | 第37-38页 |
| 4.1.3 数据分析的基本思路和预期结果 | 第38页 |
| 4.2 改进的Boolean关联算法应用 | 第38-45页 |
| 4.2.1 用户商品数据频繁项集 | 第38-40页 |
| 4.2.2 S-C模型分析用户数据相关性 | 第40-44页 |
| 4.2.3 关联矩阵分析 | 第44-45页 |
| 4.3 用户商品数据分析相关性分析的问题与改进 | 第45-49页 |
| 4.4 数据分析结论 | 第49-51页 |
| 第5章 总结与展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-55页 |
| 附录一 | 第55-57页 |
| 附录二 | 第57-60页 |