| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 研究背景 | 第10-13页 |
| 1.1 研究目标和内容 | 第10-11页 |
| 1.2 主要研究工作 | 第11页 |
| 1.3 论文结构 | 第11-13页 |
| 2 相关理论基础 | 第13-20页 |
| 2.1 关联规则综述 | 第13页 |
| 2.2 关联规则的基本定义及概念 | 第13-15页 |
| 2.3 关联规则挖掘的模式 | 第15-17页 |
| 2.4 关联规则挖掘的过程和机器学习分类 | 第17页 |
| 2.5 频繁项集、闭项集和关联规则 | 第17-20页 |
| 3 针对健康信息平台改进APRIORI算法 | 第20-37页 |
| 3.1 详细介绍关联规则的算法 | 第20-28页 |
| 3.1.1 Apriori算法简介 | 第20页 |
| 3.1.2 Apriori算法描述 | 第20-21页 |
| 3.1.3 Apriori算法流程图 | 第21-23页 |
| 3.1.4 Apriori算法举例 | 第23-25页 |
| 3.1.5 由频繁项集产生关联规则 | 第25-26页 |
| 3.1.6 FP-growth算法 | 第26-28页 |
| 3.2 APRIORI算法性能分析 | 第28-30页 |
| 3.2.1 FP-growth算法性能分析 | 第29页 |
| 3.2.2 两种关联算法对比分析 | 第29-30页 |
| 3.3 基于医疗数据平台改进AP-ORI算法 | 第30-37页 |
| 3.3.1 Apriori算法传统改进方法 | 第30页 |
| 3.3.2 Apriori与云计算平台Hadoop的联合使用 | 第30-31页 |
| 3.3.3 MapReduce编程模型 | 第31-32页 |
| 3.3.4 改进Apriori本身的效率 | 第32页 |
| 3.3.5 基于MapReduce的频繁项集挖掘方法设计 | 第32-35页 |
| 3.3.6 新频繁项集挖掘方法的实现 | 第35-37页 |
| 4 算法改进实验及应用 | 第37-49页 |
| 4.1 HADOOP平台上的实验与结果分析 | 第37-38页 |
| 4.2 医疗健康信息平台数据预处理 | 第38-42页 |
| 4.2.1 数据预处理的意义 | 第38页 |
| 4.2.2 医疗数据预处理 | 第38-42页 |
| 4.3 平台的数据分析 | 第42-44页 |
| 4.4 结果与分析 | 第44-45页 |
| 4.5 关联规则算法在健康信息平台的应用 | 第45-49页 |
| 5 健康信息平台的实现 | 第49-67页 |
| 5.1 健康信息平台查询功能需求分析 | 第49页 |
| 5.2 健康信息平台系统设计 | 第49-52页 |
| 5.2.1 系统功能架构 | 第49-51页 |
| 5.2.2 系统技术架构 | 第51-52页 |
| 5.3 健康信息平台功能 | 第52-62页 |
| 5.3.1 账户管理 | 第52-54页 |
| 5.3.2 用户登录 | 第54-55页 |
| 5.3.3 管理其他账户 | 第55-57页 |
| 5.3.4 预约挂号 | 第57-59页 |
| 5.3.5 个人健康查询 | 第59-61页 |
| 5.3.6 个人健康维护 | 第61-62页 |
| 5.4 健康信息平台主要接口 | 第62-67页 |
| 6 总结与展望 | 第67-69页 |
| 6.1 工作总结 | 第67页 |
| 6.2 不足之处 | 第67-68页 |
| 6.3 前景展望 | 第68-69页 |
| 参考文献 | 第69-71页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第71-73页 |
| 学位论文数据集 | 第73页 |