基于Spark的并行频繁项集挖掘算法研究及应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题的背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本文的主要研究工作 | 第14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第二章 相关理论与技术 | 第16-24页 |
| 2.1 关联规则 | 第16-18页 |
| 2.1.1 关联规则基本概念 | 第16-17页 |
| 2.1.2 关联规则挖掘算法 | 第17-18页 |
| 2.2 Spark大数据处理架构 | 第18-21页 |
| 2.2.1 Spark的设计结构 | 第18页 |
| 2.2.2 RDD弹性分布式数据集 | 第18-20页 |
| 2.2.3 Spark平台的优势 | 第20-21页 |
| 2.3 推荐理论及相关技术 | 第21-23页 |
| 2.3.1 推荐系统介绍 | 第21页 |
| 2.3.2 相关推荐算法及比较 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 FP-Growth算法的改进及并行化研究 | 第24-33页 |
| 3.1 传统频繁项集挖掘算法 | 第24-25页 |
| 3.1.1 频繁项集挖掘算法原理 | 第24-25页 |
| 3.1.2 FP-Growth算法的缺点 | 第25页 |
| 3.2 FP-Growth算法的改进及实现 | 第25-28页 |
| 3.2.1 IFP算法的数据结构 | 第26-27页 |
| 3.2.2 IFP算法的剪枝策略及实现 | 第27-28页 |
| 3.3 基于Spark的IFP算法的并行化实现 | 第28-32页 |
| 3.3.1 导入数据集 | 第28页 |
| 3.3.2 支持度的并行计算 | 第28-30页 |
| 3.3.3 数据切分 | 第30-31页 |
| 3.3.4 IPFP算法的并行化执行 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 IPFP算法的应用 | 第33-40页 |
| 4.1 数据预处理 | 第33-35页 |
| 4.1.1 初始数据集 | 第33-34页 |
| 4.1.2 数据预处理 | 第34-35页 |
| 4.2 基于IPFP的图书推荐算法 | 第35-39页 |
| 4.2.1 推荐算法的实现步骤 | 第36-37页 |
| 4.2.2 实验结果 | 第37页 |
| 4.2.3 选书推荐服务 | 第37-39页 |
| 4.3 本章小结 | 第39-40页 |
| 第五章 实验分析 | 第40-49页 |
| 5.1 实验环境的搭建 | 第40-42页 |
| 5.1.1 硬件信息 | 第40页 |
| 5.1.2 软件信息 | 第40-41页 |
| 5.1.3 Hadoop集群的部署 | 第41-42页 |
| 5.1.4 Spark集群的部署 | 第42页 |
| 5.2 IPFP算法性能分析 | 第42-45页 |
| 5.2.1 实验的评价标准 | 第43页 |
| 5.2.2 IPFP算法实验分析 | 第43-45页 |
| 5.3 图书推荐效果分析 | 第45-47页 |
| 5.3.1 实验的评价标准 | 第45页 |
| 5.3.2 图书推荐实验分析 | 第45-47页 |
| 5.4 本章小结 | 第47-49页 |
| 第六章 总结与展望 | 第49-51页 |
| 6.1 总结 | 第49页 |
| 6.2 展望 | 第49-51页 |
| 攻读硕士期间发表的论文 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56页 |
