| 创新性声明 | 第1-3页 |
| 摘要 | 第3-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·研究背景 | 第7页 |
| ·数据挖掘的任务 | 第7-8页 |
| ·统计和数据挖掘的关系 | 第8-9页 |
| ·零售企业的信息化现状 | 第9-10页 |
| ·自动推荐系统 | 第10-11页 |
| ·本文的研究内容 | 第11-12页 |
| ·论文的组织结构 | 第12-13页 |
| 第二章 基于微软分析服务器的商品销售分析与报表系统 | 第13-19页 |
| ·数据仓库 | 第13页 |
| ·OLAP基本概念和原理 | 第13-14页 |
| ·OLAP的基本概念 | 第13-14页 |
| ·OLAP的三种实现方法 | 第14页 |
| ·OLAP和数据挖掘的比较 | 第14页 |
| ·MOLAP的多维聚集计算原理 | 第14-15页 |
| ·OLAP系统架构及前端展现工具的实现 | 第15-19页 |
| 第三章 基于多层次分类商品树的关联规则算法 | 第19-36页 |
| ·关联规则的概念及定义 | 第19-20页 |
| ·相关算法研究 | 第20-23页 |
| ·基于多层次商品分类树的关联规则算法(MTree算法) | 第23-36页 |
| ·数据的提取 | 第24页 |
| ·频繁商品集的产生 | 第24-31页 |
| ·关联规则的产生 | 第31-33页 |
| ·算法性能运行结果与分析 | 第33-36页 |
| 第四章 会员顾客购物序列频繁模式产生算法 | 第36-55页 |
| ·序列模式挖掘任务介绍 | 第36页 |
| ·形式化陈述 | 第36-37页 |
| ·相关研究 | 第37-43页 |
| ·AprioriAll算法 | 第38-39页 |
| ·GSP算法 | 第39-43页 |
| ·一种新的购物频繁序列模式产生算法 | 第43-55页 |
| ·动态规划算法 | 第43-46页 |
| ·一个实例 | 第46-47页 |
| ·算法的具体描述 | 第47-51页 |
| ·实验结果 | 第51-53页 |
| ·序列模式在自动推荐系统中的应用 | 第53-55页 |
| 第五章 基于信息熵和条件概率树的顾客分类算法 | 第55-71页 |
| ·问题陈述 | 第55-56页 |
| ·研究现状 | 第56-57页 |
| ·决策树生成一般过程 | 第56-57页 |
| ·基于合成属性值的分类算法 | 第57-60页 |
| ·CBA-RG算法 | 第57-58页 |
| ·基于“格”的频繁合成属性值产生算法 | 第58-60页 |
| ·Id3算法 | 第60-61页 |
| ·信息熵简介 | 第60页 |
| ·基于id3的决策树生成的一般过程 | 第60-61页 |
| ·id3算法的改进 | 第61页 |
| ·基于信息熵和条件概率树的顾客分类算法 | 第61-71页 |
| ·算法流程描述及主要函数实现: | 第62-64页 |
| ·决策树算法的结果 | 第64-71页 |
| 第六章 结论和展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 附录A: olap模型产生的商品销售分析报表(使用owc控件) | 第78-79页 |
| 读研期间的科研成果 | 第79页 |
