基于概念格的关联规则发现

关联规则是数据库中有价值的一类规律,国内外学者已经对它进行了广泛的研究,由二元关系导出的概念格作为一种非常有用的形式化工具,体现了概念内和外延的统一,反映了对象和特征间的联系以及概念的泛化与例化关系,因此非常适于发现数据中潜在的概念。本文报概念格的关联规则提取之间的关系,根据需要对格结构进行了相应的修改,提出了概念格结点内涵缩减概念,给出了相应的渐进式生成算法和基于概念格的关联规则提取算法,并通过     

一种基于约简概念格的关联规则快速求解算法

关联规则挖掘是数据挖掘领域中重要的研究分支,已形成了较多的研究成果。然而,大多数基于频繁项集求解关联规则的挖掘算法需要多次扫描数据库。该文提出了一种基于概念格的关联规则快速求解算法,该算法仅需一次扫描数据库即可确定所有的频繁项集并且进而能够快速求解出关联规则。文章首先讨论了约简概念格(RECL)的构造原理,并详细描述了基于RECL的关联规则的挖掘算法,最后以实验证明了算法的正确性和优越性。     

基于模糊概念的量化关联规则挖掘

提出了一种新的基于模糊概念的量化关联规则挖掘方法，该方法利用在量化属性域上定义的一组模糊概念表示属性间的关联关系，克服了传统的离散分区法的不足，使得规则的表示自然，简明，有利于专家理解，同时，给出了挖掘算法。     

多周期经常性关联规则的发现

1 引言近年来,现实生活中数据量在高速增长,而在数据中发现有效知识的技术却相对匮乏,因此数据挖掘这一领域成为大家注目的焦点。对事务数据库进行分析的一个十分重要内容是关联规则的发现。此问题被Rakesh Agrawal等首先提出,尔后得到了广泛的研究,如文考虑了发现关联规则的效率问题,文考虑了增量发现问题,文考虑了在时间序数据库中发现周期性模式等等。但以上的工作都是将数据库看成是一个整体,没有考虑时间段的问题。最近,B.Oz-den等研究了发现“完全的”周期性关联规则的问     

基于约简概念格的关联规则提取改进算法*

概念格是关联规则挖掘领域中的一种重要技术,在概念格上生成所有的频繁项集需要对概念格的节点进行排序并进行一一比较。为了提高在概念格上生成频繁项集的效率,本文提出了一个基于约简概念格的生成频繁项集的新算法。该算法通过利用节点之间的父子关系能够直接生成生成全部频繁项集,省略了对节点进行排序的时间开销,并且大大减少了节点比较的次数,从而提高了频繁项集的生成效率。实验结果证明了其可靠性和高效性。     

基于概念格挖掘GIS中的关联规则

挖掘隐藏在地理信息系统(GIS)的空间数据中的知识是GIS研究领域和数据挖掘领域的重要方向。概念格是关联分析的重要技术之一。为了提高关联规则的挖掘速度,提出了一种基于增量式算法的概念格构造算法,通过用比较概念外延的方法建格,同时在建格过程中引入支持度约束,使得概念格的建格速度得到提高,并使建成的格具有高度的约简性,让后续的规则挖掘变得更容易。将所提算法应用于GIS的空间数据挖掘,取得了切实可行的应用结果。     

基于领域本体与概念格的关联规则挖掘

关联规则是数据挖掘中的核心任务之一,近年来国内外对关联规则算法的改进取得了比较大的成果.概念格是由二元关系导出的形式化工具.体现了概念内涵和外延的统一,非常适合于发现数据中的潜在关系,因此关联规则的提取也是概念格的一个主要的应用领域,极大的提高了关联规则的挖掘效率,然而由于缺乏领域知识的指导,所挖掘出的规则有些是无意义的或无法满足用户的需要,所以在规则的提取中需要引入领域知识,而领域本体是领域知识的清晰而结构化的表示,因此提出了应用领域本体对生成的概念格进行调整,从而实现对规则提取的指导,以发掘出高层关联规则以及多层次间的关联规则,以满足用户的需要.     

基于概念格的关联规则挖掘

关联规则的挖掘是知识发现领域重要的研究方向之一,因此开展这方面的研究是很有意义的。论文给出了一种基于概念格的关联规则的算法,该算法首先通过约化形式背景,然后通过给定的阈值在约简的背景上建格,最后在格上提取符合条件的关联规则。例子说明了该算法的可行性和有效性。     

概念指导的关联规则的挖掘

关联规则是数据依赖关系泊有效描述方法,是知识发现研究的重要内容,传统的关联规则挖掘算法缺少挖掘的针对性,挖掘速度慢,挖掘效果难于理解,挖掘析数量巨大,需要进行大量的筛选以便抽取出有用规则,文中提出了将概念融入挖掘过程中,提高挖掘的效率和挖掘的针对性的方法,给出了概念指导的关联规则挖掘算法ＣＧＡＲＭ和大数据库中概念的交互式生成方法。算法ＣＧＡＲＭ是对基于分类的挖掘算法的拓展。实验结果表明,算法ＣＧＡ     

基于基集与概念格的关联规则挖掘算法

传统关联规则挖掘算法的挖掘效率较低,且挖掘结果中存在大量冗余。针对该问题,提出一种基于概念格与基集的关联规则挖掘算法。利用规定种子项分布范围的基集代替原始数据库以缩小挖掘源规模,从而建立概念格快速求解出关联规则。实验结果表明,该算法在时间效率方面优于Base和Apriori算法。     

概念格上规则提取的一般算法与渐进式算法

许多研究表明概念格是数据分析与规则提取的一种有效工具。本文首先提出一种在对象与描述符数目较多、概念聚类具有一定规模条件下,在已建造好的概念格上有效地提取规则的算法。这种方法主要依据格结点的直接泛化来产生相应无冗余规则,然后改进了一种渐进式更新概念格与相应Ｈａｓｓｅ图的算法,并将之应用于渐进式提取规则。目前,这些方法已用于我们所开发的数据库知识发现工具原型系统中。     

ON DATA STRUCTURES FOR ASSOCIATION RULE DISCOVERY

Systematically we study data structures used to implement the algorithms of association rule mining, including hash tree, itemset tree, and FP-tree (frequent pattern tree). Further, we present a generalized FP-tree in an applied context. This assists in better understanding existing association-rule-mining strategies. In addition, we discuss and analyze experimentally the generalized k-FP-tree, and demonstrate that the generalized FP-tree reduces the computation costs significantly. This study will be useful to many association analysis tasks where one must provide really interesting rules and develop efficient algorithms for identifying association rules.     

基于关联规则挖掘的伴随车辆发现算法

伴随车辆是公安刑侦部门对海量车辆通行信息检索的一类实战需求,目的是通过模糊条件查询得到潜在的结伴作案车辆,究其本质,可将此类查询转化为数据挖掘中关联规则挖掘问题。通过对公路车辆智能监测记录系统采集的过车数据进行分析,将伴随车辆查询转化为关联规则挖掘,利用数据挖掘技术对过车数据查询问题进行综合分析,实现高效率的伴随车辆查询算法AVD(Accompany Vehicles D iscovery)。算法分析表明,AVD不但能提供准确的伴随车辆查询结果,而且效率高、扩展性强,具有较高的可行性。     

APRIORI-SD: ADAPTING ASSOCIATION RULE LEARNING TO SUBGROUP DISCOVERY

This paper presents a subgroup discovery algorithm APRIORI-SD, developed by adapting association rule learning to subgroup discovery. The paper contributes to subgroup discovery, to a better understanding of the weighted covering algorithm, and the properties of the weighted relative accuracy heuristic by analyzing their performance in the ROC space. An experimental comparison with rule learners CN2, RIPPER, and APRIORI-C on UCI data sets demonstrates that APRIORI-SD produces substantially smaller rulesets, where individual rules have higher coverage and significance. APRIORI-SD is also compared to subgroup discovery algorithms CN2-SD and SubgroupMiner. The comparisons performed on U.K. traffic accident data show that APRIORI-SD is a competitive subgroup discovery algorithm.     

大型数据库中多层关联规则的元模式制导发现

本文将元查询制导技术与多层关联规则发现技术结合起来，提出了发现多层关联规则的自顶向下逐层递进风格的元模式制导方法．元模式是一个预先确定待发现规则的形式的规则模板，从而可引导数据的发掘过程．     

一种适用于Web日志挖掘的关联规则发现算法

Apriori算法是一种经典的关联规则发现算法。针对Web日志挖掘的特点,在Apriori算法基础上给出一种适用于动态事务数据库挖掘的关联规则发现算法,并对比该算法与Apriori算法的区别。将该算法应用到网站的日志挖掘中,实验证明该算法的性能较原算法有一定的提高。     

基于关联规则挖掘的航班协同保障数据知识发现研究

随着我国民航业的迅猛发展,各大枢纽机场累积了海量的航班协同保障数据,挖掘其中潜在隐藏的知识具有重要意义。结合机场航班协同保障业务规则及航班协同保障数据的特征,利用关联规则挖掘技术,挖掘隐藏在航班协同保障数据中的知识,进而借助其优化航班保障流程,提升机场服务保障质量。通过实例验证,关联规则算法能够较好地发掘隐藏在航班协同保障数据中的潜在知识,将其应用于实际中能够为优化航班保障流程、提高航班准点率、提升机场服务保障能力提供有效的支撑和决策依据。     

基于概念格同构下的属性约简及其算法研究

通过研究概念格和同构理论,发现不同的概念格之间存在同构关系,并引入算子E=A-D和G=E-D**,给出一系列概念格同构的判定定理。基于概念格同构这一理论,对形式背景的属性约简及最小属性约简集的算法进行初步研究,为应用概念格进行数据挖掘提供新的理论依据。     

OPTIMONOTONE MEASURES FOR OPTIMAL RULE DISCOVERY

Many studies have shown the limits of the support/confidence framework used in Apriori ‐like algorithms to mine association rules. There are a lot of efficient implementations based on the antimonotony property of the support, but candidate set generation (e.g., frequent item set mining) is still costly. In addition, many rules are uninteresting or redundant and one can miss interesting rules like nuggets. We are thus facing a complexity issue and a quality issue. One solution is to not use frequent itemset mining and to focus as soon as possible on interesting rules using additional interestingness measures. We present here a formal framework that allows us to make a link between analytic and algorithmic properties of interestingness measures. We introduce the notion of optimonotony in relation with the optimal rule discovery framework. We then demonstrate a necessary and sufficient condition for the existence of optimonotony. This result can thus be applied to classify the measures. We study the case of 39 classical measures and show that 31 of them are optimonotone. These optimonotone measures can thus be used with an underlying pruning strategy. Empirical evaluations show that the pruning strategy is efficient and leads to the discovery of nuggets using an optimonotone measure and without the support constraint.