关联规则挖掘在煤矿安全监测中的应用

为了从大量的煤矿安全监测数据中获取有用的知识,来指导煤矿安全预警工作,本文将关联规则挖掘算法应用于安全监测数据的数据挖掘。根据数据的特点,对数据进行了预处理后,采用了多维关联规则挖掘算法。文章设计并实现了安全监测数据的关联规则挖掘系统。通过该系统,用户在设置最小支持度和最小置信度阈值后,就可以挖掘出关联规则。     

一种基于数据两方垂直分布的多维关联规则挖掘算法

对垂直分布于不同站点的数据进行联合关联规则挖掘是一个重要的研究方向,然而已有的算法挖掘得到的都是全局单维关联规则,不能处理多维数据集并得到全局多维关联规则。针对此问题提出一种数据两方垂直分布条件下的多维关联规则挖掘算法TDDM(Two Part Vertically Distributed Data Mining),该算法结合数据立方体技术,直接在垂直分布于两方的数据上进行挖掘,得到多维关联规则。理论分析和实验结果表明,该算法可以有效挖掘数据两方垂直分布条件下的多维关联规则。     

一种基于多维集的关联模式挖掘算法

大多数维间关联规则挖掘算法如基于数据立方体的关联规则挖掘算法都假定对象的属性取值只具有单值性．将对象的属性取值扩展到多值，据此提出多维集的概念和基于多维集关联规则的语义特征．在此语义特征下，提出了一个多维集的关联规则挖掘算法．该算法利用多维集关联规则的限制特征，能够在数据集缩减的同时进行侯选集的三重剪枝，因此，具有比直接使用apriori等算法更好的性能，分析了算法的性能和正确性、完备性，并通过实验对算法有效性进行了对比．     

数据立方体上多维多层关联规则挖掘算法

重点结合联机分析挖掘的思想,讨论了数据立方体上的多维多层关联规则挖掘。基于数据立方体和FP算法提出并构建了体现概念层次的Hib＆Dim FP树和其挖掘算法Hib＆Dim FP算法,并把此算法应用于数据立方体上的多维多层关联规则挖掘。最后的实验证明了该算法的有效性。     

一种元规则指导的股票联动关联规则挖掘算法

在经典Apriori算法的基础上，提出了一种考虑了时间因素的股票联动关联规则挖掘算法。该算法首先对股票原始数据采用滑动时间窗口技术进行了预处理，得到了适合挖掘的事务集；然后使用SQL语言详细描述了关联规则的生成过程。根据证券行业的实际情况，采用了元规则指导的挖掘方法，从而使挖掘结果聚焦于投资者感兴趣的规则形式上，并且也提高了挖掘过程的效率。     

一种高效的多维多层关联规则挖掘算法

关联规则是数据挖掘中一个重要的研究方向。文章提出了一种基于遗传算法的多维多层关联规则挖掘算法。算法针对现有多维多层关联规则挖掘中存在阈值定义不合理的缺点,依据多维和多层数据的共同特点,提出了一种启发式的阈值自定义方式,来提高挖掘效率和结果的准确性。实验结果证明这种算法是有效。     

关联规则在股票分析中的应用研究

股票交易各业务系统积累了大量数据.对这些数据进行有效的分析处理,以发现在股票交易数据间的内在相互联系,对指导投资决策具有重要的意义.文中针对股票交易建立了一种分析模型,并给出该模型的数据预处理算法.在此基础上,通过采用关联规则挖掘的思想实现该类规则的挖掘算法,实验证明该模型和算法是有效的.     

关联规则在股票分析中的应用研究

股票交易各业务系统积累了大量数据。对这些数据进行有效的分析处理，以发现在股票交易数据间的内在相互联系，对指导投资决策具有重要的意义。文中针对股票交易建立了一种分析模型，并给出该模型的数据预处理算法。在此基础上，通过采用关联规则挖掘的思想实现该类规则的挖掘算法，实验证明该模型和算法是有效的。     

基于人工免疫的多维关联规则挖掘及其应用研究

关联规则挖掘是一个重要的数据挖掘问题.目前,关于单维关联规则的成果已经比较成熟,但是对于多维关联规则问题因为存在显著的组合爆炸问题,至今尚未完美解决.提出了一种基于人工免疫的多维关联规则挖掘算法.算法充分利用了人工免疫的记忆特性,把挖掘的关联规则存入记忆库,加快了多维关联规则的挖掘速度.结果表明,该算法应用于煤与瓦斯突出预测中,具有较好的鲁棒性,能快速、有效地进行全局优化搜索,在多维关联规则的挖掘中具有可行性和高效性.     

统一事件Web挖掘模型

讨论了电子商务中现有数据收集方式的缺点。基于Web日志的推荐算法具有复杂而不精确的预处理步骤，而客户端收集数据涉及到用户隐私问题。提出了统一事件模型、基于应用层的日志记录，进行用户、会话识别算法和多维关联规则算法UEMFP。指出了UEM在Web挖掘中的优点。实验表明，UEM下的Web挖掘算法具有更好的结果和性能，它可以很好地运用到电子商务应用中。     

空间关联规则的双向挖掘

空间数据库中关联规则挖掘不仅需要考虑关系元组属性之间的关系——纵向关系，更需要挖掘元组之间的关系——横向关系，如相邻、相交、重叠等。本文通过分析空间数据库的存储模式，借鉴事务数据库关联规则的挖掘方法，对空间关联规则进行完整定义，并对规则的兴趣度度量进行探讨。根据挖掘的方向将空间数据挖掘归纳为纵向挖掘、横向挖掘、双向挖掘。在双向挖掘中，提出一种新算法，该算法根据挖掘任务进行约束，缩小挖掘空间，然后通过空间计算将空间关系转化为非空间关系，经过多次循环，获取非空间项集，进而挖掘出空间关联规则。据此提出空间数据双向挖掘工作流程，并通过实例进行了验证。     

基于改进多层次模糊关联规则的定量数据挖掘算法

针对单一层次结构实现规则提取具有规则提取准确性不高、算法运行时间长、难以满足用户使用需求的问题,提出一种基于改进多层次模糊关联规则的定量数据挖掘算法。采用高频项目集合,通过不断深化迭代的方法形成自顶向下的挖掘过程,整合模糊集合理论、数据挖掘算法以及多层次分类技术,从事务数据集中寻找模糊关联规则,挖掘出储存在多层次结构事务数据库中定量值信息的隐含知识,实现用户的定制化信息挖掘需求。实验结果表明,提出的数据挖掘算法在挖掘精度和运算时间方面相较于其他算法具有突出优势,可为多层次关联规则提取方法的实际应用带来新的发展空间。     

Applying cluster-based fuzzy association rules mining framework into EC environment

During electronic commerce (EC) environment, how to effectively mine the useful transaction information will be an important issue to be addressed in designing the marketing strategy for most enterprises. Especially, the relationships between different databases (e.g., the transaction and online browsing database) may have the unknown and potential knowledge of business intelligence. Two important issues of mining association rules were mentioned to address EC application in this study. The first issue is the discovery of generalized fuzzy association rules in the transaction database. The second issue is to discover association rules from the web usage data and the large itemsets identified in the transaction database. A cluster-based fuzzy association rules (CBFAR) mining architecture is then proposed to simultaneously address such two issues in this study. Three contributions were achieved as: (a) an efficient fuzzy association rule miner based on cluster-based fuzzy-sets tables is presented to identify all the large fuzzy itemsets; (b) this approach requires less contrast to generate large itemsets; (3) a fuzzy rule mining approach is used to compute the confidence values for discovering the relationships between transaction database and browsing information database. Finally, a simulated example during EC environment is provided to demonstrate the rationality and feasibility of the proposed approach.     

一个销售模型的关联规则挖掘研究

论文先介绍数据挖掘中关联规则理论知识,包括Apriori经典算法、支持度、可信度等概念。以一个超市的销售模型系统为例,建立一个sales数据库系统,由关系数据库管理系统和数据仓库挖掘工具进行单维及多维关联规则挖掘。     

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.     

Deriving support threshold values and membership functions using the multiple-level cluster-based master–slave IFG approach

Today, development of e-commerce has provided many transaction databases with useful information for investigators exploring dependencies among the items. In data mining, the dependencies among different items can be shown using an association rule. The new fuzzy-genetic (FG) approach is designed to mine fuzzy association rules from a quantitative transaction database. Three important advantages are associated with using the FG approach: (1) the association rules can be extracted from the transaction database with a quantitative value; (2) extracting proper membership functions and support threshold values with the genetic algorithm will exert a positive effect on the mining process results; (3) expressing the association rules in a fuzzy representation is more understandable for humans. In this paper, we design a comprehensive and fast algorithm that mines level-crossing fuzzy association rules on multiple concept levels with learning support threshold values and membership functions using the cluster-based master–slave integrated FG approach. Mining the fuzzy association rules on multiple concept levels helps find more important, useful, accurate, and practical information.     

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     

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     

Mining method of massive data of mobile library under information asymmetry facing large-scare database

The current method generates a large number of candidate sets when mining data in mobile libraries under asymmetric information, and the mining time and efficiency are poor. To this end, a new method for mobile library massive data mining based on improved Apriori algorithm is proposed to collect, clean and reduce massive data. Calculate the reader's interest distance by analyzing the borrowed historical data, and use the Apriori algorithm to find the association rules in the frequent itemsets of the data. In order to make up for the shortcomings of the current method, while filtering out infrequent candidate sets, the corresponding transaction set is also collaboratively filtered, which can reduce the amount of calculation and time consumption. Experimental results show that the proposed method can mine more valuable rules. The improved execution time is only 10 s, the CPU utilization exceeds 90%, and the acceleration ratio exceeds 1.81 s, which can better meet the needs of decision makers.     

基于Apriori算法的改进算法

关联规则挖掘是数据挖掘研究的一项重要内容.为了快速挖掘关联规则,分析了挖掘关联规则的Apriori算法,并在此基础上给出了一种改进的算法:NApriori算法,利用频繁1项集重新组织事务数据库来挖掘关联规则,此方法仅需扫描数据库2次,且避免了Apriori算法繁琐的连接和删除步骤,实验结果表明此方法比Apriori算法有更好的性能.