基于多维关联规则的算法研究及系统实现

针对目前很少有一整套的能同时处理量化属性和分类属性字段的多维关联规则的解决方法,提出了一整套的从原数据出发一直到关联规则的可视化的解决方法,论文首先采用了等深分箱的方法将量化属性按引进的最大支持度进行离算化处理。在得到频繁集的时候通过对传统的单维．Apriori算法的改进,从而实现了其在多维关联规则中的应用,最后对关联规则的可视化采用了柱状图的方式。     

关联规则挖掘算法的改进

为了提供一种更加准确高效的关联规则算法,在传统的Apriori算法的基础上引入分而治之的理念和加权的思想.先把数据库分成互不相交的块,根据需求分析从每一个块中产生用户感兴趣的子集,把所有的子集合并成挖掘对象,再利用普通的关联规则算法产生频繁项集,最后在该项集的基础上产生加权频繁项集.该算法基本上克服了传统Apriori算法的缺点,从而大大地提高了运算效率,最大限度解决了"项集生成瓶颈"问题,并且使得生成的关联规则更加科学、准确.     

关联规则挖掘算法的改进

为了提供一种更加准确高效的关联规则算法,在传统的Apriori算法的基础上引入分而治之的理念和加权的思想。先把数据库分成互不相交的块,根据需求分析从每一个块中产生用户感兴趣的子集,把所有的子集合并成挖掘对象,再利用普通的关联规则算法产生频繁项集,最后在该项集的基础上产生加权频繁项集。该算法基本上克服了传统Apriori算法的缺点,从而大大地提高了运算效率,最大限度解决了“项集生成瓶颈”问题,并且使得生成的关联规则更加科学、准确。     

关联规则之Apriori算法的改进

关联规则是数据挖掘的重要研究内容。Apriori算法是关联规则之经典算法。本文在分析经典Apriori算法的基础上．提出了改进型的Apriori算法。新算法采用事务压缩技术,提高了数据挖掘的效率,具有一定的实用性。     

数据挖掘的关联规则建立与算法改进

关联规则作为一种数据挖掘的工具，能够发现数据项集之间有趣的关联。在关联规则的算法中，Apriori算法是其中的关键算法之一。本文提出利用频繁K-项集导出关联规则后得到的有用信息指导频繁(K 1)一项集产生的方法，通过矩阵、事务剪枝和分区查找有效的提高了Apriori算法的效率。     

一种挖掘多维关联规则的有效算法

1.引言挖掘大型事务数据库中的关联规则是数据挖掘研究的重要课题之一。由于关联规则在商务分析与决策、相关分析、分类等方面具有广泛应用,自提出以来一直受到广泛重视。一维关联规则的挖掘已有不少有效算法(如文,[2,3,4],综述参见文[l])。多维关联规则不仅考虑项集间的关联,而且考虑项集的维约束。这使得挖掘出的规则更具实用性,同时也增加了规则挖掘的难度。基于规则模板的挖掘,使用元规则限定挖掘的关联规则形式,降低了挖掘难度,但也使得其应用受到一定限制。采用类Apriori算法的方法通过求频繁谓词集得到多维关联规则,具有很好的可扩展性,能够处理大量数据,但其处理维谓词的1/O开销较大。利     

关联规则挖掘的研究及对Apriori算法的改进

本文对关联规则挖掘问题进行了介绍，并对其作了形式化描述；对Apriori算法进行了分析，针对该算法的缺点，提出改进算法apriori.new。改进的算法避免了模式匹配，减小了访问数据库的次数，从而提高了挖掘速度。     

关联规则算法综述

介绍了关联规则的概念及挖掘的过程,以Apriori算法为例,阐明了算法思想及其优化方法,描述了关联规则在社会生活领域的应用。     

挖掘关联规则中的Apriori算法的研究

文章是基于大型销售数据库研究了关联规则挖掘问题,分析和探讨了Ａｐｒｉｏｒｉ算法,并给出了该算法的实现思想,同时通过例子说明算法的执行过程。     

数据挖掘中关联规则算法的研究

近些年来,计算机技术迅猛发展带动信息技术的兴起,数据挖掘技术被广泛地应用到各个领域当中。这个新兴的领域为数据挖掘技术提供了最为活跃的算法,即关联规则算法,其能够对于大量的数据和信息进行处理,通过将繁琐的项集从数据库中找出来,经过整理之后,将项集之间的关联关系建立起来,从中挖掘出有价值的数据信息,以在一定程度上满足不同领域的需要。本文针对数据挖掘中关联规则算法进行研究。     

一种新的多维关联规则挖掘算法

关联规则是数据挖掘中一个重要课题．文章给出一种基于遗传算法和蚂蚁算法相结合的多维关联规则挖掘算法．新算法利用了遗传和蚂蚁算法共有的良好全局搜索能力，并克服了遗传算法局部搜索能力弱和蚂蚁算法搜索速魔慢的缺陷．实验结果表明，新算法在对具有稀疏特性的多维关联规则的挖掘中体现了良好的性能．     

一种基于Apriori的关联规则挖掘算法的研究

该文通过对Apriori算法的基本思想和性能的研究剖析,认为Apriori算法存在一些不足;并且根据这些不足提出了相应的改进UDApriori算法对经典算法进行优化,从而得到一种改进的Apriori算法,与原算法相比运算效率大大提高.     

一种基于Apriori的关联规则的改进算法的研究

Apriori算法是关联规则的经典算法,并己经被越来越多的企业使用。它在给企业带来经济效益的同时,也让人们意识到算法自身的不足:第一,该算法在扫描事务数据库的次数过多,从而需要承担很大的I/O负载;第二,它可能产生庞大的候选集。为了提高Apriori算法的效率,针对减少扫描事务数据库次数的方法,提出一种改进挖掘效率的算法。     

关联规则在高校图书馆借阅数据挖掘中的应用

文章用数据挖掘中的关联规则技术对高校图书馆学生的借阅数据进行挖掘分析,从而挖掘出读者的阅读兴趣,发现书籍借阅的关联规则,科学地进行建议借阅和图书推荐等服务,以提高图书馆管理效率。     

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．     

基于改进的关联规则挖掘算法的研究

A priori算法是经典的关联规则挖掘算法,它利用逐层搜索的迭代方法完成频繁模式的挖掘工作,反复进行连接剪枝操作,思路简单易操作,但也伴随着产生庞大候选集,多次扫描数据库产生巨大I/O开销的问题,提出一种改进算法:基于矩阵的关联规则挖掘算法,同A priori算法比较,该算法只需扫描一遍数据库,就可直接查找k-频繁项集,尤其是当频繁项集较高的时候,该算法具有更高的执行效率,在大数据量的情况下更具有可行性。     

基于数据立方体分块的多维关联规则挖掘

介绍了在数据立方体上对于不同可信度的数据进行分块的方法,阐述了基于数据立方体分块的多维关联规则挖掘的算法.     

关联规则挖掘Apriori算法的优化①

针对Apriori算法存在的不足,提出了一种新的优化Apriori的方法。该方法通过优化频繁项集修剪策略,减少无效候选项集的产生;优化连接策略,减少连接次数,避免相同项目的多次重复比较;结合事务数据库逐步压缩技术,减少对无用事务的扫描次数。实验结果表明,经过优化的Apriori算法具有更好的运行效率。