关联规则数据挖掘方法的研究

首先简要地介绍数据挖掘和关联规则的概念、关联规则的基本原理及种类。然后详细地介绍了关联规则挖掘研究现状，讨论了Apriori算法的基本原理，同时也指出了Apfiofi算法的一些不足。针对这些不足提出了解决方法，描述了几种改进算法。最后对关联规则挖掘下一步的研究方向进行了展望。     

基于矩阵与图的关联规则挖掘

提出了一种新的算法，该算法是在基于图的关联规则挖掘的基础上进行研究，并提出改进。该算法与传统的关联规则挖掘算法Apfiofi算法相比，具有一定的优势，如复杂度低，无需多次扫描数据库等。     

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Apfiofi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。     

Apriori算法研究及其在学生成绩分析中的应用

本文在研究关联规则挖掘技术的基础上，以我校计算机专业专业课程成绩为关系数据库，将关联规则中的Apfiofi算法运用到学生成绩分析中，挖掘课程问的相关性，为学生选课和学校合理的安排教学计划提供指导。     

数据挖掘在厦门大学研究生成绩系统中的研究与应用

针对目前厦门大学研究生成绩库中的数据没有得到有效利用的问题，本文提出对成绩库进行关联规则的挖掘。在不改变纵向成绩库结构的基础上，改进经典的Apriofi算法，即为侯选频繁项目集的每一个项目，逐遍扫描事务库：然后从减少扫描范围和改进sql语句两方面改善Apfiofi算法固有的缺陷，以大幅提高挖掘速度；最后利用管理学院的部分成绩库数据证明了关联规则在课程相关性分析上的有效性和实用性。     

数据挖掘中关联规则算法的研究

本文主要介绍了数据挖掘中的关联规则,关联规则中的经典算法Apriori算法．以及Apfiofi算法的改进研究。     

有关关联规则挖掘的研究

文章描述了关联规则挖掘的有关概念，对一些应用于Web挖掘的新的关联规则算法进行了分析，简述了关联规则挖掘的应用，展望了关联规则挖掘的未来研究方向。     

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FP树的挖掘关联规则的增量更新算法

挖掘关联规则是数据挖掘领域的一个重要研究方向．人们已经提出了许多用于高效地发现大规模数据库中关联规则的算法，但对关联规则维护问题的研究却比较少．该文在FP树的基础上，引入支持度函数的慨念，对FP树进行改造，提出了一种关于挖掘关联规则的增量更新算法IFP—growth．该算法既考虑了数据集中数据的增加．同时又考虑了数据集中数据的减少等情况下关联规则的维护问题，并且还可以把增量更新的5种情形简化为3种情形．使用本算法来挖掘关联规则可以避免生成大量的候选项目集，而且非常高效．     

关联规则挖掘综述

介绍了关联规则挖掘的一般概念 ,并进一步导出它的一般框架 ;同时对一些典型算法进行了分析和比较 ,介绍了关联规则的应用 ;最后展望了关联规则挖掘的未来研究方向。     

Argumentation mining

Argumentation mining aims to automatically detect, classify and structure argumentation in text. Therefore, argumentation mining is an important part of a complete argumentation analyisis, i.e. understanding the content of serial arguments, their linguistic structure, the relationship between the preceding and following arguments, recognizing the underlying conceptual beliefs, and understanding within the comprehensive coherence of the specific topic. We present different methods to aid argumentation mining, starting with plain argumentation detection and moving forward to a more structural analysis of the detected argumentation. Different state-of-the-art techniques on machine learning and context free grammars are applied to solve the challenges of argumentation mining. We also highlight fundamental questions found during our research and analyse different issues for future research on argumentation mining.     

连续采煤机房柱式机械化开采工艺研究

从基础性研究、工艺系统、采煤方法和短壁机械化关键设备等方面,系统地研究了连续采煤机房柱式短壁机械化开采技术。连续采煤机房柱式短壁机械化采煤技术在我国许多矿区有推广应用价值。同时,该技术有利于提高煤炭资源回收率和保持煤炭工业的可持续发展。     

Relational peculiarity-oriented mining

Peculiarity rules are a new type of useful knowledge that can be discovered by searching the relevance among peculiar data. A main task in mining such knowledge is peculiarity identification. Previous methods for finding peculiar data focus on attribute values. By extending to record-level peculiarity, this paper investigates relational peculiarity-oriented mining. Peculiarity rules are mined, and more importantly explained, in a relational mining framework. Several experiments are carried out and the results show that relational peculiarity-oriented mining is effective.     

XML data mining

With the spreading of XML sources, mining XML data can be an important objective in the near future. This paper presents a project focussed on designing a general‐purpose query language in support of mining XML data. In our framework, raw data, mining models and domain knowledge are represented by way of XML documents and stored inside native XML databases. Data mining (DM) tasks are expressed in an extension of XQuery. Special attention is given to the frequent pattern discovery problem, and a way of exploiting domain‐dependent optimizations and efficient data structures as deeper as possible in the extraction process is presented. We report the results of a first bunch of experiments, showing that a good trade‐off between expressiveness and efficiency in XML DM is not a chimera. Copyright © 2009 John Wiley & Sons, Ltd.     

Non-derivable itemset mining

All frequent itemset mining algorithms rely heavily on the monotonicity principle for pruning. This principle allows for excluding candidate itemsets from the expensive counting phase. In this paper, we present sound and complete deduction rules to derive bounds on the support of an itemset. Based on these deduction rules, we construct a condensed representation of all frequent itemsets, by removing those itemsets for which the support can be derived, resulting in the so called Non-Derivable Itemsets (NDI) representation. We also present connections between our proposal and recent other proposals for condensed representations of frequent itemsets. Experiments on real-life datasets show the effectiveness of the NDI representation, making the search for frequent non-derivable itemsets a useful and tractable alternative to mining all frequent itemsets.