具有数量特征的利润约束关联规则发现

关联规则发现是数据挖掘的重要研究内容之一,具有广泛的应用。在以前的研究中,关联规则发现算法一般都没有考虑项目的销售数量。而在实际中,相关联项目的销售总利润对于商家来说非常重要。因此,在关联规则发现中引入销售数量的利润约束问题显得很必要。文章针对此问题提出了项集事务利润和事务利润的概念,并对项集利润和支持期望的概念进行了重新定义,接着给出了具有数量特征的利润约束关联规则挖掘问题的性质和定理,最后根据该问题的性质给出了高效的求解算法。     

具有利润约束的关联规则发现

关联规则发现是数据挖掘中的重要问题，有广泛的应用领域。然而，现有的关联规则发现算法是依据统计学上的显著性作为获取关联规则的条件。该文在关联规则发现中引入了利润约束，给出了具有利润约束的关联规则问题的性质，并根据该问题的性质给出了高效的求解算法。     

基于频繁闭项集邻接图的关联规则产生算法

针对关联规则数量巨大并且存在极大冗余的问题,提出无冗余告警关联规则产生算法。从规则本身的关联性和等效性上定义规则的冗余性,通过构造频繁闭项集邻接图发现无冗余告警关联规则,用户可以通过发现的规则推导出其余所有冗余规则,并且得到用户所需的规则形式。该方法不仅能够减少关联规则数量,而且不会带来规则丢失。仿真结果表明,在相同的数据集、最小支持度门限和最小置信度门限条件下,无冗余关联规则数量和产生时间都小于冗余关联规则数量和产生时间,支持度门限越小,差距越显著。     

一种非频繁关联规则挖掘算法

针对关联规则挖掘问题提出一种新的算法，探讨商品与利润间的关系，称为权重式多重支持度关联规则挖掘算法。此算法可针对不同利润的商品定出不同的支持度阈值，由此产生的关联规则，可以解决高单价但交易次数稀少的商品不易被挖掘的问题。     

基于数量型数据挖掘的模糊概念关联规则

讨论了数据库中含有数量和类别属性的数据的关联规则挖掘方法。利用模糊集的理论与方法求解数量相关问题,给出了模糊概念关联规则挖掘算法Apriori_concept。     

一种新的加权关联规则模型

关联规则挖掘可以发现大量数据项集之间隐含的关系,在许多领域得到了广泛应用。目前很多关联规则挖掘算法已经被提出,这些算法一般都认为每个数据项的重要性相同。然而在现实中各个项目的重要性往往不同,从决策者角度出发,他们往往会优先考虑利润较高的项目,而忽略利润较低的项目。论文分析了现有加权关联规则文献中存在的问题,提出了一种新的加权关联规则模型,给出了有效挖掘加权频繁项集的MWFI算法。     

数量关联规则挖掘及其典型算法分析

关联规则的发现是数据挖掘的一个重要方面,而数量关联规则的发现不同于传统的布尔型关联规则。介绍了数量型关联规则挖掘的方法、步骤以及存在的问题,分析了几种具有代表性的数量型关联规则挖掘算法,提出了IQAM算法,并对数量型关联规则的挖掘进行了展望。     

最大利润项集选择问题研究*

最大利润项集选择是关联规则的一个具体应用.频繁项集可以反映出事务中商品项的销售是相互关联的,若从商品项集合中去掉与其他项有强关联的项,则必然会导致商品销售关联性的变化,从而导致销售利润的损失.丢失规则的提出可以量化这种利润损失的计算,为保证利润最大化,就必须对保留项集进行选择.最大利润项集选择问题是一个典型的NP难度问题,可以利用已知的二次规划NP完全问题来解决.     

图象数据关联规则挖掘

本文在介绍了多媒体数据挖掘基本思想和图象数据主要特征基础之上,对图象数据关联规则挖掘进行了讨论。首先对关联规则挖掘有关问题加以描述和分析,针对图象数据,定义了新的关联规则及其有关概念,并给出考虑项数量的原子特征和空间关系关联规则挖掘算法MaxOccur和MAR－Spatial,解决了不考虑项的重复所导致的信息丢失问题。     

挖掘支持度和兴趣度最优的数量关联规则

讨论了数量关联规则提取过程中的连续属性离散化方法和规则的有趣性问题，给出了数量关联规则的客观兴趣度的度量函数，提出用模板匹配方法挖掘用户感兴趣的规则，以解决数量关联规则有趣性的主观评测，研究了一种挖掘支持度和兴趣度最优的形如(A∈[v1，v2]∧)C1)推出C2(其中A为连续属性，C1、C2为类别属性)的数量关联规则方法，并将该方法应用于股市行情分析，实验结果表明是非常有效的．     

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。     

正负关联规则两级置信度阈值设置方法

针对传统正负关联规则置信度阈值设置方法难以控制低可信度规则数量和易遗漏有趣规则的问题,提出了一个结合项集相关性的两级置信度阈值设置方法（PNMC-TWO）。首先,基于规则的无矛盾性、有效性和有趣性考虑,以相关度-支持度-置信度为框架,从规则置信度与项集支持度的计算关系出发,系统地分析了正负关联规则置信度取值随规则的项集支持度大小变化的规律;然后,与实际挖掘中用户对高可信度且有趣的规则需求相结合,提出了一个新的设置模型,避免了传统方法设置阈值时的盲目性和随意性;最后,从规则数量和规则质量两方面对所提方法与原双阈值法进行了实验对比。实验结果表明,所提方法不仅可以更好地确保提取出的关联规则有效和有趣,还可以显著地降低可信度低的关联规则数量。     

一种加权时态关联规则挖掘算法

许多现实数据库都存在时态语义问题,因此在挖掘关联规则时附加上时态约束会使规则更具有实际意义。但目前提出的大多数时态关联规则挖掘算法,一般都认为每个数据项的重要性相同,而从决策者角度出发,往往会优先考虑利润较高的项目。提出了一种加权时态关联规则挖掘算法,以项目的生命周期作为时间特征,允许用户设定不同的项目权重。实验结果证明,该算法不仅能有效地发现加权时态关联规则,而且挖掘出的规则更有价值。     

最简有效关联规则及其挖掘算法

传统关联规则挖掘算法往往会产生过多规则而难以被决策者所采用。针对该问题,文章从应用的角度提出了最简有效关联规则,其特点是采用以后项为导向的挖掘方式,同时追求规则前后项之间的相关性,在此基础上给出了一种最简有效关联规则挖掘算法。利用该算法得到的最筒有效关联规则集包括的规则数量大为减少且能得出与全部有效关联规则集相同的决策,避免了大量的冗余挖掘及无效挖掘,提高了挖掘效率和应用效果。     

最简关联规则及其挖掘算法

传统关联规则挖掘算法往往产生过多规则而难以被决策者所采用。针对该问题，文章从应用的角度提出了最简关联规则，其特点是后项只包括一种产品，同时追求规则前项产品项数的最小化，在此基础上给出了一种最简关联规则挖掘算法。利用该算法得到的最简关联规则集包括的规则数量大为减少且能得出与全部关联规则集相同的决策，避免了大量的冗余挖掘，提高了挖掘效率和应用效果。     

遗传算法在数量型关联规则提取中的应用

关系数据库中数量属性的关联规则挖掘问题是关联规则挖掘中经常要遇到的问题。该文利用遗传算法解决FCM模糊聚类问题主要是为了避免FCM算法的局部极小问题。利用聚类的结果可以使数量型属性关联规则转换成类别型属性,类别型属性再转化为布尔型属性,这样,即可以使用许多已有关联规则挖掘方法挖掘出有意义的规则。     

基于一阶谓词公式去除商务数据冗余关联规则的研究

由于现代网络数据量的急速增长,利用现有的算法生成关联规则时,冗余规则的数量远远大于实际有价值的规则,冗余规则不仅影响用户分析,而且使关联规则的利用率也大大降低。针对关联规则的冗余问题,提出了一种基于一阶谓词公式去除商务数据冗余关联规则的方法,利用一阶谓词公式来表示关联规则,通过等价公式进行转换,并利用算法和矩阵等价将谓词公式转换为邻接矩阵,然后利用冗余规则算法进行删除。实验原始数据为UCI数据集,并利用Weka生成关联规则。最后利用Matlab和Java实现冗余规则的去除。     

挖掘语言值关联规则

讨论了大型数据库上数量属性的关联规则问题.为了软化论域的划分边界,应用相关的模糊c-方法(relationalfuzzyc-means,简称RFCM)算法确定正态模糊数的两个参数,并借助正态模糊数模型来划分数量属性的论域,由此生成一系列的语言值关联规则.另外,给出了语言值关联规则的挖掘方法.由于语言值能很好地表示抽象的概念,从而使得挖掘出的关联规则更抽象、更容易被人理解.     

一种交互式关联规则和频繁项集的可视化方法

关联规则中频繁项集数量庞大的问题是关联规则可视化要解决的一个主要问题,本文介绍了一种基于平行坐标系和项目分类树的频繁项集和关联规则可视化方法。首先,在频繁项集中设置显示边界,利用频繁项集的闭包特性,实现对大的频繁项集的剪枝;然后,结合overview+detail的视点控制技术,通过交互,由用户选择感兴趣的某一节点上的频繁项集,在de-tail窗口中详细显示,从而实现人机交互的频繁项集和关联规则可视化。     

正相关性指导下的关联规则剪枝算法

基于支持度和置信度模型的关联规则剪枝算法会挖掘出很多无趣规则。针对该问题,提出一种正相关性指导下的关联规则剪枝算法。利用全置信度和提升度构造一个正相关性评价函数,以此对频繁项集进行剪枝。实验结果表明,该算法能减少无趣关联规则数量,提升挖掘结果质量,缩短挖掘时间。