基于数据场的量化关联规则挖掘方法设计

目前关联规则挖掘多集中在布尔型关联规则的挖掘,对量化关联规则的挖掘研究较少,传统方法多是将量化属性离散化,进而转化为布尔型关联规则的挖掘。为了克服传统方法中区间划分过硬问题,本文设计了基于数据场的量化关联规则挖掘方法,并使用数据场的场量定义支持度和置信度的计算公式。该方法充分考虑数据集中数据的非完备性以及各个数据对数据挖掘任务所发挥的不同作用,可使得挖掘得到的关联规则更精确。     

多值属性的数据处理与关联规则挖掘方法研究 *

讨论了在多值属性关系中进行关联规则挖掘的应用特点,提出利用数据整理和数值编码的方式对关联 规则挖掘算法进行优化。将目标数据属性按其在算法中的作用划分,并分别进行转换和编码;然后对数据先进 行聚类,再在聚类结果中发掘频繁项目集;最后利用聚类后关联规则快速更新算法获取关联规则。算法分析和 实验结果表明,该算法比传统的关联规则挖掘算法更有效率。     

数据挖掘中的关联规则算法研究

随着计算机技术和信息技术的飞速发展,数据挖掘已经成为当今各行各业重点关注的对象。关联规则挖掘是数据挖掘中的一个非常重要的内容,通过关联规则挖掘能够从海量数据中分析出数据与数据之间存在的关系,进而为用户提供更具有参考价值的信息。现阶段关联规则挖掘已经广泛应用于保险、股市、网络数据等多个对市场信息高度依靠的行业。本文从关联规则挖掘相关概念出发,对其主要操作步骤进行了简单分析,并研究了数据分割下的挖掘问题及算法。     

基于滑动窗口的关联规则增量式更新算法

现有的关联规则算法大多都致力于解决增量式更新问题,需要多次扫描数据集,无法对海量数据进行有效处理。针对此问题,提出了基于滑动窗口的关联规则增量式更新算法(SWIUA),利用滑动窗口进行数据更新,挖掘出用户感兴趣的关联规则。该算法只需要扫描原始数据集和更新的数据各一遍,降低了I/O时间;并采用优化策略对候选项集过滤和删除,提高了关联规则的挖掘性能,能有效处理大量新增数据。     

适用于动态交易数据库的关联规则更新算法

本文对关联规则的更新问题进行了深入的研究,在关联规则的最小支持度不变条件下,当交易数据库中某些交易数据动态地被删除时,给出了一种关联规则高效更新算法Ｚｌ－ ａｒ。     

加权关联规则的开采

关联规则可以揭示数据之间隐含的关系,并已在许多领域取得了广泛的应用。目前已经提出了许多有效发现关联规则的算法,这些算法都认为每个数据对规则的重要性相同。但在实际应用中,用户更关心近期发生的数据,即历史越久远的数据对规则的影响应该小,应当削弱这些数据对规则的影响,为此,本文提出了垂直加权关联规则的问题;另外,用户有时可能希望加强或削弱某些项目对规则的影响,即所谓的水平加权关联规则。最后,提出了混合加权关联规则的问题,并给出了一个解决该问题的算法MWAL,实验证明了MWAL算法的有效性。     

一种基于网格几何性质的数量关联规则聚类算法

由于数据分段在算法中的使用，对数量关联规则的挖掘经常存在着返回大量关联规则的问题。文章提出一种基于二维网格几何性质的聚类算法，对挖掘出的关联规则进行分类，减少最终得到的关联规则的数量，使结果更易于理解、更形象。     

基于本体的关联规则挖掘研究

目前许多关联规则挖掘系统存在缺点是仅仅在数据内容上产生规则,缺乏领域知识,产生大量的无用的结论.为了解决以上问题,本文提出基于本体的关联规则挖掘.它的优点是:对于数据的更清晰的概括;产生更少的规则;可以进行多层次的泛化,得到更有意义的结果,揭示更一般的概念;可以用来挖掘层次与层次之间的关联规则.本文对基于本体的关联规则挖掘中的3个主要的问题进行了研究:商品分类本体的构建方法和原则;对于产生的规则使用R-有趣进行精简,并且进行适当得简化;使用改进的Apriori算法实现基于本体的关联规则挖掘的算法.     

数据关联理论及算法的研究

数据关联是数据挖掘技术的一个重要部分,是数据库中已发现的一类重要内容,关联规则也越来越引起研究的重视。随着数据维数和类型的不断变化,对关联规则算法提出来更高度要求,传统算法以很难满足,以此找到性能更佳的相关算法正是研究的目标和意义所在,这就需要我们对关联规则的理论进行深入的研究。该文主要研究了关联规则理论的相关知识和概念,并在众多的关联规则算法中介绍了具有较大影响的关联规则算法的基本思想。针对经典的关联规则挖掘算法——Apriori算法,结合已有研究理论介绍了基于Apriori的改进算法,极大程度上发展和提高了关联规则的挖掘研究。     

VorSLAM算法中基于多规则的数据关联方法

针对单独依据马氏距离(Mahalanobis distance)的数据关联(Data association, DA)算法不能保证输出正确结果的问题, 结合VorSLAM (Voronoi partition based SLAM)算法所采用的混合地图表示方法的特点, 本文提出了一个基于多规则的数据关联方法. 该数据关联方法依据的规则包括局部搜索规则、传感器观测特征的单向性规则、 马氏距离规则和轮廓匹配规则,诸个规则在每个数据关联周期依次执行. 局部搜索规则和传感器观测特征的单向性规则可以有效地降低数据关联的搜索空间,同时可避免一类潜在的数据关联错误; 马氏距离利用了特征参数表示的特征位置信息寻找多个可能的数据关联假设; 根据VorSLAM算法中局部地图描述了产生对应特征的局部环境轮廓信息, 轮廓匹配规则从多个可能的数据关联假设中识别出正确的数据关联假设. 基于多规则的数据关联方法系统可靠地解决了VorSLAM算法中的数据关联问题, 方法的有效性通过两个室内环境的实验得到了验证.     

基于关联规则的贝叶斯网络分类器

关联规则分类器(CBA)利用关联规则来构造分类算法,但其没有考虑分类问题中的不确定性.提出一种基于关联规则的贝叶斯网络分类算法.该算法利用关联规则挖掘算法提取初始的候选网络边集,通过贪心算法学习网络结构,得到比经典的贝叶斯网络分类器TAN更好的拓扑结构.通过在15个UCI数据集上的实验结果表明,该算法取得了比TAN,CBA更好的分类性能.     

关联规则在高校开放式实验教学改革中的应用

该文主要介绍在高校开放式实验教学改革中关联规则的挖掘应用,分析了关联规则应用的可行性,并将关联规则Apriori算法用在开放式实验信息中进行挖掘,得到了学生实验数据中隐式且可靠的关联信息,从而更科学地安排并控制开放式实验,可给各类高校开放式实验的教学与改革提供参考。     

基于形式概念分析的柔性决策规划

关联规则获取是知识发现和数据挖掘中的核心问题之一.对超市来讲,从交易数据中挖掘出的关联规则有两点重要意义:一是有助于设计商品的摆放位置;二是帮助商品进货搭配规划,为更好利用关联规则进行进货搭配规划,知识工程师不仅需要考虑关联规则的可信度、支持度和兴趣度,更需要考虑支持集对关联规则的贡献度和关联规则自身的平衡度和复杂度.本文首先采用形式概念分析理论挖掘交易数据中的关联规则,这些规则具有100%的可信度.然后,在关联规则柔性筛选的基础上进行商品进货决策规划.所谓柔性是指用户可自己定义规则的不同阈值组合(例如析取和合取)选择规则.     

模式级链接关联数据集上的关联规则挖掘研究

针对关联数据集合呈现出的大数据特性和蕴含的语义信息,提出了首先建立关联数据集的模式级链接,再进行关联规则挖掘的方法。在同领域RDF数据集上定义RDF数据项模式并提出数据项模式的产生规则;利用RDF数据查询技术从数据项模式获得RDF数据项集合,进而再推导出特定领域内的关联规则。提出的基于关联数据RDF数据项模式的关联规则挖掘方法将关联规则挖掘扩展到同一领域内的数据集合而不再局限于单一数据集,同时给出了基于Hadoop的大规模RDF数据集上的关联规则挖掘的实现方案。实验结果验证了模式级链接对于关联规则挖掘的价值和所提方法的有效性。     

完全加权正负关联规则挖掘及其在教育数据中的应用

完全加权数据模型的特点是其项目权值分布在各个事务记录中,随着事务记录的不同而变化。现有的加权负关联规则挖掘算法不能适用于完全加权数据模型。该文提出一种新颖的基于概率比和兴趣度的完全加权正负关联规则的挖掘算法,探讨了算法在教育信息化数据中的应用。算法以概率比代替传统的置信度,采用支持度-概率比-兴趣度架构衡量完全加权正负关联规则,获得很好的挖掘效果。以真实的教育数据和文本数据为实验测试集,与现有正负关联规则挖掘算法比较,该文提出的算法更有效、更合理,具有较高的理论价值和应用前景。     

一种地震目录中基于兴趣度的关联规则分析方法*

地震目录是指由地震时间,经纬度,震级组成的数据。其中隐含重要的地震地区相关性信息,通过对其进行分析寻找潜在的地震相关地区,可以指导地震预报工作。为了寻找这种地震相关地区,本文将关联规则技术应用到地震目录数据中,并对关联规则算法的兴趣度度量进行了研究,提出了Inter-Apriori方法,该方法能够更高效地挖掘出更准确的信息。通过实验结果证明,我们可以更迅速的获得更有价值的地震相关地区,我们提出的将基于兴趣的的关联规则应用于地震目录数据的方案可以为我国地震研究工作带来新视野,加强了对地震目录数据进行分析的重要性,有力推动了地震预报工作的全面展开。     

灰色Markov模型动态关联规则趋势度挖掘方法

针对动态关联规则趋势度随时间变化的特点,在分析原有定义以及对动态关联规则趋势度建立预测模型的基础上,提出一种把灰色-Markov模型应用到动态关联规则趋势度挖掘中的方法。该方法利用动态关联规则趋势度定义得到规则的趋势度;对于不满足趋势度阈值的规则的支持度计数序列运用灰色-Markov模型进行预测;将预测数据添加到原规则支持度序列中,并且得到该规则新的趋势度,进而判定此规则的趋势度是否满足阈值要求。通过一个实例进行分析,结果不仅证明了该方法的有效性并且能在一定程度上提高了挖掘的精度和效率,从而使动态关联规则挖掘能够得到更全面、更精确的结果。     

基于Spark的并行关联规则挖掘算法研究综述

关联规则挖掘是数据挖掘的一个重要分支，但随着数据的快速增长，传统关联规则挖掘算法不能很好地适应大数据的要求，需要在分布式、并行计算的平台上寻找突破。Spark是专门为大数据处理而设计的一个适合迭代运算的并行计算模型，相比MapReduce具有更高效、充分利用内存、更适合迭代计算和交互式处理的优点。对已有的基于Spark的并行关联规则挖掘算法进行了分类和综述，并总结了各自的优缺点和适用范围，为下一步的研究提供参考。     

数据挖掘技术在高校教学质量评估中的应用

对数据的分析比信息的获取更困难。提出了利用数据挖掘技术的关联规则对教学质量进行数据分析。以学生评价为例,使用改进的Apriori算法,建立了基于关联规则的评价指标体系,并取得了良好的效果。     

MARSW:一种高效的基于滑动窗口数据流关联规则挖掘方法

数据流中的关联规则在预测和在线分析系统中有重要应用.现有的研究大多集中在事务数据模型上,鲜有对数据项之间的关联规则挖掘.由于数据的实时性特点,用户又往往对新产生的数据所包含的信息更感兴趣.为了实时而准确地挖掘最近一段时间内数据项间的关联规则,提出了MARSW(mining association rules on sliding window)算法,利用滑动窗口模型对数据流进行关联规则挖掘.MARSW算法在给定的误差范围内,能够有效去除历史数据的影响,并以有限的空间代价快速挖掘大量数据间存在的关联规则.大量仿真实验结果表明,MARSW算法具有较高的效率和优良的可扩展性.