关联规则采掘综述

介绍了关联规则采掘问题的研究情况,对一些典型采掘算法进行了分析和评价。指出了关联规则衡量标准的不足,展望了关联规则采掘的未来研究方向。     

自上而下的关联规则采掘方法

1.前言在数据集中采掘关联规则是数据采掘的一个重要内容,[2]中提出了一种自底向上的数据采掘方法,即把数据集的各个属性从概念层次的最底层向高层进行“泛化”,但这种方法有二个缺点:首先,它的每一层都有一个阈值,但这些阈值之间是密切相关的;并且,对于不同数据集,这些阈值之间的关系也不同。在数据采掘的过程中,要调整这些阈值以取     

采掘关联规则的高效并行算法

采掘关联规则是数据采掘领域的一个重要问题。文中对采掘关联规则问题进行了简单的回顾,给出了一种提高顺序采掘关联规则效率的方法;分析了已有并采掘关联规则算法的优缺点;设计了一个效率较高的并行采掘关联规则的算法ＰＭＡＲ;并与其它相应算法进行了比较,实验证明,算法ＰＭＡＲ是有效的。     

交易数据库中关联规则采掘的预处理

分析了交易 (事务 )数据库中的数据结构特点 ,提出了在交易数据库中关联规则采掘的一个预处理过程 ,并且实现了该过程。通过预处理使得处理后的数据库记录个数减少了 ,从而在一定程度上提高了关联规则采掘的效率     

关系数据库中多层次关联规则的采掘及其实现

讨论了在关系数据库中进行多层次的关联规则采掘的概念和在关系数据库中的实现方法。提出并实现了利用关系数据库的特点,高效地得到满足要求的多层次关系规则,并进行了必要的讨论和总结。     

过程工业中关联规则的采掘

介绍了关联规则采掘的基本问题,根据过程工业中数据的特点,将关联规则采掘用于过程工业中,并对应用过程中遇到的几个有意义的问题进行了讨论。     

基于集合运算的关联规则采掘算法

1 引言近年来,随着商业、政府和科学数据库的急剧增长和存贮设备的不断升级,给我们带来了大量的数据。面对这“堆积如山”的数据,用传统的数据分析手段无法理解并有效地利用它们。人们希望找到能够自动地、智能地理解分析它们的方法,于是就出现了数据采掘技术。它的提出为我们有效识别出存在于这些数据中的有效的、新颖的、具有潜在效用的乃至最终可理解的模式提供了可靠的科学方法,并成为当今国际人工智能和数据库等领域新兴且热门的研究课题。在事务数据库中发现关联规则是由R·Agrawal等人首先提出的。目前己成为数据采掘领域中的一个非常重要的研究课题。有一个关联规则的例子就是“面包牛奶(20％,80％)”,其直观意义为在所有的购买交易中,同时购卖面包与牛奶的概率为20％,在所有购卖面包的交易中有80％交易同时也购买牛奶。关联规则的应用主要包括顾客购物分析、目录设计、商品广告邮寄分析、追加销售、仓储规划、网络故障分析等。     

数据仓库的时态关联规则的描述

该文从时态型概念出发给出了有限个属性在时态型上描绘的不同状态时态事件空间,定义了事件之间的时态关联规则,由此导出了5种不同的具有一定意义的时态关联规则,这些时态关联规则具有普遍的理论意义,可以用于商品销售、股票价格等等数据仓库中的数据采掘问题。     

交易数据库中带有空间性约束的关联规则采掘

文章分析了交易数据库中关联规则的不足,提出了一种带有空间性约束的关联规则模型,分析了模型的性质并且通过扩展 Ａｐｒｉｏｒｉ算法实现了该模型     

关系表中联系规则挖掘的设计和实现

介绍了在关系数据库中进行联系规则采掘的基本概念。同时基于关系数据库的特点,利用ＳＱＬ语言来实现联系规则的挖掘。提出了一个算法和具体实现的方法,并进行了一些必要的讨论。     

基于数据仓库的高效关联规则的挖掘

提出在基于数据仓库的关联规则发现中生成最小关联规则集来代替完全关联规则集,最小关联规则集必须具备两个条件：（1）最小关联规则集是最小、最简单的关联规则集合;（2）最小关联规则集与完全关联规则集有相同的置信度。通过最小关联规则集,可以有效地剪除弱关联规则,大幅度减少候选频繁项目集,从而提高规则发现效率。是后,在传统经典算法Apriori基础上设计了一个相应的高效算法。     

关联规则增量算法

数据采集手段的丰富,使获取、保存大量数据变得容易,从庞杂的数据中提取有用的知识和信息是数据挖掘的主要任务,关联规则是数据挖掘领域的一个重要分支。本文针对事务数据库中增加新的数据集后相应关联规则的更新和维护问题,提出了一种关联规则增量式增量算法     

一个改进的关联规则的频繁项目集数据挖掘算法

在关联规则中的Apriori算法,具有天生的缺陷,运行效果很不理想。为了克服Apriori算法的缺点,本文提出了一个改进的算法：在产生频繁项目集组合时,只需扫描数据库一次,这样就可以有效率地降低I／O的存取时间,更快速地找出符合使用者需求的关联规则。仿真实验表明,该算法是有效的。     

数据挖掘技术在教学中的应用

在对数据挖掘技术的概念、挖掘过程和常用方法等知识进行简单介绍的基础上．就如何在日常的教学中应用数据挖掘，从中得到教学上需要的信息等内容进行了探讨．从而为我们的教育事业添砖加瓦：     

数据挖掘技术在教学中的应用

在对数据挖掘技术的概念、挖掘过程和常用方法等知识进行简单介绍的基础上,就如何在日常的教学中应用数据挖掘,从中得到教学上需要的信息等内容进行了探讨,从而为我们的教育事业添砖加瓦。     

区间值属性数据集关联规则挖掘算法仿真

对区间值属性数据集进行挖掘,可以有效分析出数据之间的关系。针对现有数据挖掘方法未对大规模数据进行聚类,导致挖掘过程占据内存大,挖掘精度低的问题,提出了一种新的区间值属性数据集挖掘算法。对问题定义、数据准备、数据提取、模式预测和数据聚类等模块进行详细分析,完成区间值属性数据聚类。根据聚类结果,将区间值属性数据分成多个数据集,挑选出能够支持最小支持度的项目集,将这些项目集作为频繁项集,进而提取出数据集之间的关联规则,将关联规则融入数据计算步骤,完成数据挖掘。为验证算法效果,进行仿真,结果表明,相较于传统挖掘算法,所提挖掘算法占用容量更小,挖掘精度更高。     

一种Web数据挖掘技术模型分析与挖掘算法

Web上有海量的数据信息,怎样对这些数据进行复杂的应用成了现今数据库技术的研究热点。数据挖掘就是从大量的数据中发现隐含的规律性的内容,解决数据的应用质量问题。充分利用有用的数据,废弃虚伪无用的数据,是数据挖掘技术的最重要的应用。本文着重介绍数据挖掘引擎的主要技术和和数据挖掘算法,这使得用户对数据的生成、收集、存储和处理数据的能力大大提高。     

基于线性链表的模糊关联规则挖掘

为改进现有模糊关联规则挖掘算法的不足,提出了一种基于线性链表的模糊关联规则挖掘算法。算法利用线性链表只存储有用的事务数据库信息,并不断利用前期的运算结果对之进行简化,减少了数据的存储开销及扫描时间,降低了算法的时间复杂度,提高了算法的效率。比较分析以及实验表明,该算法对于挖掘模糊关联规则是快速而有效的。