一种用于挖掘正、负关联规则的改进Apriori算法

本文提出一种传统的关联规则挖掘主要着眼于正关联规则，即形如A→B的规则的挖掘，而对负关联规则的研究非常有限，然而实践表明在关联规则的各个应用领域中，负关联规则同正关联规则有着同样的重要性。Apriori算法是挖掘关联规则的一个经典算法，但是它只局限于挖掘正关联规则，本文对该算法进行改进提出了Ex-Apriori算法，新算法不仅能挖出负关联规则，而且由于兴趣度的引进，能够剔除大量无趣的关联规则。实验表明该种算法有效且可行。     

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。     

一种高效的关联规则更新算法

在支持度不变的情况下，如何从已更新的数据库中高效的挖掘关联规则？本文在分析了已有的诸关联规则挖掘与更新算法的基础上，提出了一种新关联规则更新算法，该算法仅需扫描数据库一次，即可得到关联规则，从而使算法的效率得到提高。     

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。     

关联规则挖掘算法在超市销售分析中的应用

销售数据分析是关联规则数据挖掘算法的主要应用领域之一，文章基于关联规则的算法理论，针对应用于超市销售关联规则的特点，提出了适用于超市销售相关性分析的模型。通过商业检验，该算法可以显著提高相关商品的销售额。     

一种基于概率的多最小支持度挖掘算法

传统的Aprion耐算法由于始终保持单一的最小支持度，所以在实际应用中不能挖掘小比例事件中的关联规则。针对这一缺陷，该文提出并实现了一种基于概率的多最小支持度关联规则算法。该算法针对每个项目设定了最小项支持度，最小项支持度与该项目的出现概率相关。实验证明该算法不仅能有效地挖掘出发生概率较低的事件中的关联规则，同时又不丢失原有的大概率事件中的关联规则。另外，实验结果也说明该算法存在候选项集增多的缺点。     

一种高效的关联规则挖掘算法研究

一般关联规则挖掘算法分为两步：第一步是发现频繁项目集；第二步是利用频繁项目集产生关联规则。文章讨论了现今关联规则挖掘算法的特点和不足，同时提出一种效率更高的挖掘算法。与其它算法不同的是，该算法侧重于知识领域的使用和关联规则系统应用的预备。     

加权关联规则的改进算法

论文讨论了加权关联规则问题,针对布尔类型的加权关联规则问题提出一种改进算法。该算法首先利用普通的关联规则算法产生频繁集,然后在该频繁集的基础上产生加权频繁集。同时,给出了最优的最小支持度设定方法,保证了普通关联规则算法所产生的频繁集为加权频繁集的超集。该算法有较高的效率,并且能够有效利用已有的关联规则算法。     

基于神经网络与组成份分析的关联规则挖掘

通过对关联规则挖掘的分类研究，提出了关联规则挖掘的分类定义方法，从项集的相关性出发，阐述了一种基于ANN-PCA的快速、高效的挖掘算法，从而扩展了关联规则挖掘的应用。实验证明了该算法的有效性。     

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。