| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 研究背景及其意义 | 第13-15页 |
| 1.2 论文的主要工作和组织结构 | 第15-17页 |
| 第二章 数据挖掘概述及关联规则理论基础 | 第17-29页 |
| 2.1 数据挖掘基础 | 第17-20页 |
| 2.1.1 数据挖掘任务 | 第17-19页 |
| 2.1.2 数据挖掘的基本过程 | 第19-20页 |
| 2.2 关联规则挖掘概述 | 第20-28页 |
| 2.2.1 关联规则相关定义 | 第21-22页 |
| 2.2.2 关联规则挖掘过程 | 第22-24页 |
| 2.2.3 关联规则挖掘算法研究现状概述 | 第24-28页 |
| 2.2.4 关联规则面临的挑战 | 第28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 Apriori算法的实现和优化 | 第29-51页 |
| 3.1 Apriori算法简介 | 第29-39页 |
| 3.1.1 Apriori算法的原理思想 | 第29-30页 |
| 3.1.2 Apriori算法的频繁项集的产生 | 第30-37页 |
| 3.1.3 Apriori算法时间复杂度分析 | 第37-39页 |
| 3.2 Apriori算法基于MFC的应用实现 | 第39-42页 |
| 3.3 Apriori算法的一种优化 | 第42-50页 |
| 3.3.1 优化思想 | 第42-43页 |
| 3.3.2 优化算法的连接预处理过程 | 第43-46页 |
| 3.3.3 优化算法的事务剪枝歩 | 第46-47页 |
| 3.3.4 优化性能分析与实验结果 | 第47-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 基于压缩数据集思想的FP-growth算法优化 | 第51-71页 |
| 4.1 FP-growth算法简介 | 第51-58页 |
| 4.1.1 FP_tree的构造 | 第51-54页 |
| 4.1.2 FP_tree的频繁项集挖掘 | 第54-58页 |
| 4.2 FP-growth算法在.NET下的实现 | 第58-60页 |
| 4.3 FP-growth算法优化 | 第60-68页 |
| 4.3.1 压缩数据集思想 | 第60-61页 |
| 4.3.2 优化后FP-growth算法流程 | 第61-64页 |
| 4.3.3 利用压缩数据集思想挖掘特定项集结尾的频繁项集 | 第64-67页 |
| 4.3.4 效率优化分析和实验结果 | 第67-68页 |
| 4.4 本章小结 | 第68-71页 |
| 第五章 优化后的Apriori算法在接口机管理系统中的应用 | 第71-81页 |
| 5.1 接口机系统简介 | 第71-72页 |
| 5.2 系统主要模块的数据表建立 | 第72-75页 |
| 5.3 应用关联规则挖掘的意义 | 第75页 |
| 5.4 数据预处理 | 第75-77页 |
| 5.4.1 数据导入 | 第75页 |
| 5.4.2 用区间离散化来解决数据多值的问题 | 第75-76页 |
| 5.4.3 用特定前缀表示来解决数据多维的问题 | 第76-77页 |
| 5.5 关联规则挖掘及模式评估 | 第77-81页 |
| 5.5.1 算法流程 | 第77-79页 |
| 5.5.2 模式评估 | 第79-81页 |
| 第六章 总结与展望 | 第81-83页 |
| 6.1 论文总结 | 第81页 |
| 6.2 展望 | 第81-83页 |
| 参考文献 | 第83-85页 |
| 致谢 | 第85-87页 |
| 作者简介 | 第87-88页 |
| 1. 基本情况 | 第87页 |
| 2. 教育背景 | 第87页 |
| 3. 项目经历 | 第87-88页 |
