相联规则发现的一般性算法研究

大型事务数据库中相联规则的发现是ＫＤＤ中一个很重要的问题。本文描述了相联规则发现的一般性算法，对其核心问题进行了全面和较深入的探讨，并提出了一些提高算法效率的方法。     

相联规则增量算法研究

相联规则模型可以用于在海量数据库中发现有价值的知识 ,各种求解相联规则的算法都需要较大的计算量 .随着时间推移 ,数据库中的数据也随之发生变化 .由于原先发现的规则已经过时 ,需要重新在数据集中挖掘规则 .本文通过向数据库中不追加数据的方法研究孕育在数据库中的相联规则变化情况 .在借鉴 FUP等算法的基础上 ,充分利用前次挖掘中获得的有关信息 ,提出用于再次挖掘的相联规则增量算法 Super FU P.该算法核心思想是更多地注重新增数据集 ,有效利用前次挖掘信息 ,仅仅对整个数据库扫描一次就能达到求解更新相联规则的目的 ,提高了相联规则增量算法的效率 .     

一种改进的相联规则提取算法

相联规则的提取是数据挖掘的一个重要方面。Apriori算法是提取相联规则的经典算法,效率较高。AprioriPro算法是对Apriori算法的改进,它利用大项集生成过程中的中间结果对数据库进行过滤,从而加快候选项集的计数速度,提高了整个算法的效率。该文在AprioriPro算法的基础上,首先对其基本理论进行扩展并加以证明,提出了AprioriPro2算法。该算法相对于AprioriPro算法能更多地去掉数据库中的无效元组,从而进一步提高了算法的效率。     

分层相联规则中求强项集的并行算法

相联规则发现算法的研究在提高算法效率、发现多种形式的规则两方面都取得了较快的发,但较多的研究工作是围绕着具体事务的关联性的,也就是对概念级相联规则的研究。近期.Han在算法中弓}人面向属性的概念分层树,达到对事务进行一     

挖掘相联规则的并行算法研究

在研究多段支持度数据挖掘算法的基础上提出并行挖掘相联规则的算法。给出了在并行条件下以负载平衡为目的的种子项集的划分的贪心算法策略。基于多段支持度特征，为减少各个处理机之间的制约，提出按事务长度进行数据集划分的方案，并具体实现了多段支持度的并行算法。实验结果表明该算法具有很高的效率，特别是在双CPU情况下，并行算法的效率接近顺序算法的两倍，如果把算法修正和推广到群集环境下，会更一步增加相联规则的实用性。     

约束关联规则的有效挖掘算法

研究了在大型事务数据库中挖掘有约束条件的关联规则问题；给出院 约束频繁模式树的定义；提出了一种基于约束频繁模式树的约束关联规则挖掘算法-CFPTA，并与其它相应算法进行了比较，实验结果表明算法CFPTA是有效的。     

一种关联规则增量更新算法

针对事务数据库的内容不断增加后相应关联规则的更新问题，提出了一种简单高效的增量式关联规则挖掘算法SFUA，并和已有的FUP算法进行了分析比较。     

基于项目属性的相联规则提取

相联规则是数据库知识发现领域的重要方法之一，用于发现满足用户指定最小支持度和最小信任度阈值的规则，其中，最小支持度阈值确定了研究数据集的规模，最小信任度阈值用来衡量一个规则可靠性，在通常的支持度／信任度框架下，用户只能给出一对最小支持度和最小信任度阈值，因此，对于有数据项均采用统一标准处理，但是，实际数据库中的数据项目具有自的特点，该文旨在根据项目的属性特征，通过模糊安全评判，决定项目合理的最小支持度阈值，进而确定各个项目的支持度区间，达到在一次数据挖掘中同时发现频繁规则和稀有规则的，由于基于最小信任度的规则提取具有冗余性，文中提出规则前件和后件的重要程度对比的思想，借助主观判断去除冗余规则，从而挖掘出尽可能接近自然的完全规则。     

一种关联规则的增量式更新算法

对在事务数据库不变的情况下,如何进行关联规则的维护问题进行了探讨,提出了一种高效的增量式更新算法。     

关联规则Apriori算法的改进研究

对关联规则经典算法中的Apriori算法进行了深入研究与分析,针对其需要反复扫描事务数据库,造成大量I/O开销,影响关联规则挖掘效率这一不足之处,提出了改进,并通过测试程序验证了算法改进的可行性。     

分布式环境下约束性关联规则的快速挖掘

研究人员针对单机环境提出了约束性关联规则的挖掘算法,但它们不适用于分布式环境.为此本文讨论分布式环境下约束性关联规则的快速挖掘技术,提出一种基于分布式环境的约束性关联规则快速挖掘算法DCAR,其中包括局部约束性频繁项目集挖掘算法MLFC和全局约束性频繁项目集挖掘算法MGFC.该算法根据布尔约束条件产生向导集,采用一种新的候选项集生成函数Reorder-gen,该函数通过向导集高效地产生分布式环境中满足约束条件的、数量较少且完备的候选项集,并且求解全局约束性频繁项集过程中,传送局部候选项集支持数的通信量为O(n),从而提高了算法的挖掘效率.将本文提出的算法加以实现,实验结果表明DCAR算法高效可行,其效率大约是DMA-IC算法的2-3倍.     

量化关联规则挖掘及算法

提出了一种新的量化关联规则挖掘算法QAR及其增量式更新算法IUQAR．算法以模糊集理论为基础，利用模糊概念表示量化属性属性间的关联关系，克服了传统的离散分区方法的不足，使得规则的表示自然、简明，有利于专家理解。同时，给出的算法IUQAR，有效地解决了规则的维护问题。     

数据挖掘及其一种关联规则算法

文章主要论述了数据挖掘的概念、过程及应用前景,此外还重点介绍了数据挖掘中常用的一种算法-关联规则算法.     

关联规则挖掘中增量式更新算法的研究

关联规则的更新是数据挖掘技术中的一个重要内容,能否有效地挖掘出动态事务数据库中的频繁项目集或关联规则是衡量一个算法好坏的关键因素。该文系统地介绍了关联规则的增量式更新问题,给出或提出了相应的算法,并举例说明了算法的执行过程。     

关联规则挖掘算法介绍

数据挖掘是一个多学科交叉融合而形成的新兴的学科,它利用各种分析工具在海量数据中发现模型和数据间的关系。而在大规模事务数据库中,挖掘关联规则是数据挖掘领域的一个非常重要的研究课题。文中介绍了关联规则挖掘的研究情况,描述了经典Apriori算法的实现,并对该算法进行了分析和评价,指出了其不足和原因。描述了FP树挖掘最大频繁项集的算法,通过实例对该算法进行了性能评估,并得到结论:数据库中潜在的最大频繁模式越多,运行时间越长。     

数据挖掘中关联规则算法的研究

近些年来,计算机技术迅猛发展带动信息技术的兴起,数据挖掘技术被广泛地应用到各个领域当中。这个新兴的领域为数据挖掘技术提供了最为活跃的算法,即关联规则算法,其能够对于大量的数据和信息进行处理,通过将繁琐的项集从数据库中找出来,经过整理之后,将项集之间的关联关系建立起来,从中挖掘出有价值的数据信息,以在一定程度上满足不同领域的需要。本文针对数据挖掘中关联规则算法进行研究。     

分布式环境下挖掘约束性关联规则的算法研究

关联规则是数据挖掘的重要研究内容。基于约束的关联规则挖掘可以促进交互式探查与分析。该文主要研究了分布式环境中挖掘约束性关联规则的问题。在并行关联规则挖掘算法CD和约束性关联规则挖掘算法Direct的基础上,提出了一种新的分布式挖掘约束性关联规则算法DMA_IC。该算法对于解决分布式挖掘约束性关联规则的问题是十分有效的。同时,文章还对DMA_IC算法的通信性能进行了讨论。     

关联规则挖掘与分类规则挖掘的比较研究

关联规则挖掘与分类规则挖掘都是数据挖掘,领域中很重要的技术。本文首先简要介绍了关联规则挖掘和分类规则挖掘的基本知识,主要从挖掘目的、发现规则算法的方法、算法的设计思想等几个方面对它们进行了比较,最后介绍了它们之间的联系。     

基于关联图的关联规则挖掘算法研究

在挖掘关联规则的过程中 ,一个关键的步骤是产生频繁项目集 .本文给出一种基于关联图的关联规则挖掘算法 ,并将它与性能比较好的关联规则挖掘算法 DHP进行了比较 ,结果表明 ,本文的算法优于 DHP算法     

一种有效的关联规则的挖掘方法

提出简单关联规则的定义,并证明传统算法挖出的规则集中的任何规则均可以由简单关联规则生成,而简单关联规则的数量远远小于传统算法挖掘出的规则数量,从理论上证明了简单关联规则算法的优越性。