| 中文摘要 | 第1-3页 |
| 英文摘要 | 第3-6页 |
| 第一章 绪 论 | 第6-16页 |
| 1．1 Data Mining的定义及其特点 | 第7页 |
| 1．2 数据挖掘同知识发现，机器学习的比较 | 第7-8页 |
| 1．3 DM和OLAP的比较 | 第8-9页 |
| 1．4 数据挖掘的方法 | 第9-10页 |
| 1．5 知识的分类 | 第10-11页 |
| 1．6 数据挖掘的步骤 | 第11页 |
| 1．7 数据挖掘系统 | 第11-12页 |
| 1．8 关联规则的研究 | 第12-16页 |
| 1．8．1 问题描述 | 第13-14页 |
| 1．8．2 已有算法的不足 | 第14-15页 |
| 1．8．3 问题提出 | 第15-16页 |
| 第二章 阈值与概念层次 | 第16-20页 |
| 2．1 阈值——支持度和可信度 | 第16-17页 |
| 2．2 概念层次 | 第17-20页 |
| 2．2．1 概念层次树及其归纳策略 | 第17-18页 |
| 2．2．2 概念层次的作用 | 第18页 |
| 2．2．3 概念层次的组织 | 第18-20页 |
| 第三章 关于先验估计 | 第20-23页 |
| 3．1 获取先验估计 | 第20页 |
| 3．2 抽样方案 | 第20-22页 |
| 3．3 先验估计的形式和传递 | 第22-23页 |
| 第四章 基于概念层次树的多层关联规则数据挖掘算法 | 第23-36页 |
| 4．1 基础知识 | 第23页 |
| 4．2 基于概念层次树的多层次关联规则算法 | 第23-24页 |
| 4．3 初始化 | 第24-25页 |
| 4．3．1 概念层次的存放和管理 | 第24-25页 |
| 4．4 抽样挖掘的过程 | 第25-31页 |
| 4．4．1 计算先验估计树ptree的频繁项集 | 第25-27页 |
| 4．4．2 计算ptree中能组成频繁规则的节点ptree | 第27-28页 |
| 4．4．3 扩展ptree'使其涵盖整个概念层次树 | 第28-30页 |
| 4．4．4 获得先验估计 | 第30-31页 |
| 4．5 最后的挖掘 | 第31-34页 |
| 4．5．1 生成候选规则集c_rules | 第31-32页 |
| 4．5．2 由候选规则集生成净化规则集 | 第32-34页 |
| 4．6 完整的算法描述 | 第34-35页 |
| 4．7 关联规则的有趣性度量 | 第35-36页 |
| 第五章 实例分析 | 第36-45页 |
| 5．1 Visual Basic 6．0简介 | 第36-38页 |
| 5．1．1 Visual Basic 6．0的主要特征 | 第36-37页 |
| 5．1．2 Vb6．0的数据存取工具 | 第37-38页 |
| 5．2 实例分析 | 第38-45页 |
| 总 结 | 第45-47页 |
| 致 谢 | 第47-48页 |
| 参考文献 | 第48-53页 |
| 攻读硕士学位期间所发表的论文 | 第53-54页 |
| 作者简介 | 第54页 |
