| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 文章结构 | 第11-12页 |
| 第2章 研究问题与相关理论概述 | 第12-22页 |
| 2.1 研究问题概述 | 第12-14页 |
| 2.2 相关理论概述 | 第14-21页 |
| 2.2.1 数据流挖掘 | 第14页 |
| 2.2.2 关联规则挖掘 | 第14-17页 |
| 2.2.3 协同过滤推荐技术 | 第17-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第3章 数据流的频繁元素挖掘方法 | 第22-32页 |
| 3.1 最常见元素问题 | 第22-30页 |
| 3.1.1 基于DGIM改进算法求解 | 第22-26页 |
| 3.1.2 基于Hadoop分布式平台求解 | 第26-30页 |
| 3.2 最流行元素问题 | 第30-31页 |
| 3.2.1 指数衰减窗.模型 | 第30页 |
| 3.2.2 改进指数衰减窗.模型 | 第30-31页 |
| 3.2.3 最流行元素求解过程 | 第31页 |
| 3.3 本章小结 | 第31-32页 |
| 第4章 用户推荐信息挖掘的并行化处理 | 第32-46页 |
| 4.1 关联规则挖掘的并行化处理 | 第32-39页 |
| 4.1.1 Apriori算法挖掘过程 | 第32-33页 |
| 4.1.2 基于Hadoop改进Apriori算法 | 第33-38页 |
| 4.1.3 并行化改进分析 | 第38-39页 |
| 4.2 协同过滤推荐的并行化处理 | 第39-45页 |
| 4.2.1 基于Hadoop改进的相似度计算 | 第39-41页 |
| 4.2.2 基于Hadoop改进的共词分析法 | 第41-44页 |
| 4.2.3 基本Hadoop改进之后的推荐过程 | 第44-45页 |
| 4.2.4 效用矩阵填充效果分析 | 第45页 |
| 4.3 本章小结 | 第45-46页 |
| 第5章 算法实验与分析 | 第46-70页 |
| 5.1 实验环境构建 | 第46-49页 |
| 5.2 最常见元素与最流行元素挖掘 | 第49-60页 |
| 5.2.1 数据源描述 | 第49-50页 |
| 5.2.2 实验过程与分析 | 第50-60页 |
| 5.3 用户推荐信息挖掘 | 第60-69页 |
| 5.3.1 数据源描述 | 第60-61页 |
| 5.3.2 实验过程与分析 | 第61-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 6.1 工作总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |