| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文的主要工作 | 第11-12页 |
| 1.4 文本的组织结构 | 第12-13页 |
| 2 相关理论与技术 | 第13-23页 |
| 2.1 关联规则基本概念 | 第13-14页 |
| 2.2 频繁模式典型算法 | 第14-16页 |
| 2.2.1 Apriori算法 | 第14-15页 |
| 2.2.2 FP-Growth算法 | 第15-16页 |
| 2.3 Hadoop平台简介 | 第16-21页 |
| 2.3.1 Hadoop平台简介 | 第16-17页 |
| 2.3.2 HDFS分布式文件系统 | 第17-18页 |
| 2.3.3 MapReduce分布式计算框架 | 第18-20页 |
| 2.3.4 Yarn通用资源管理器 | 第20-21页 |
| 2.4 Hadoop上频繁模式生成算法 | 第21-22页 |
| 2.4.1 H-Apriori算法 | 第21页 |
| 2.4.2 PFP算法 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 基于Hadoop的Apriori并行改进算法 | 第23-36页 |
| 3.1 基本思想 | 第23-25页 |
| 3.1.1 并行设计 | 第23页 |
| 3.1.2 改进策略 | 第23-25页 |
| 3.2 算法设计 | 第25-30页 |
| 3.2.1 算法描述 | 第25-26页 |
| 3.2.2 MapReduce设计 | 第26-28页 |
| 3.2.3 算法示例 | 第28-30页 |
| 3.3 实验与分析 | 第30-35页 |
| 3.3.1 实验环境与实验数据 | 第30-32页 |
| 3.3.2 实验内容与评价指标 | 第32-33页 |
| 3.3.3 实验结果与分析 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 4 基于Hadoop的FP-Growth并行改进算法 | 第36-49页 |
| 4.1 基本思想 | 第36-39页 |
| 4.1.1 负载量估计 | 第36-38页 |
| 4.1.2 均衡化分组策略 | 第38-39页 |
| 4.1.3 数据分割 | 第39页 |
| 4.2 算法设计 | 第39-44页 |
| 4.2.1 算法描述 | 第39-40页 |
| 4.2.2 MapReduce设计 | 第40-42页 |
| 4.2.3 算法示例 | 第42-44页 |
| 4.3 实验与分析 | 第44-48页 |
| 4.3.1 实验环境与实验数据 | 第44-45页 |
| 4.3.2 实验内容与评价指标 | 第45-46页 |
| 4.3.3 实验结果与分析 | 第46-48页 |
| 4.4 本章小结 | 第48-49页 |
| 5 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49-50页 |
| 5.2 展望 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 附录 | 第55页 |