Web挖掘研究

因特网目前是一个巨大，分布广泛，全球性的信息服务中心，它涉及新闻，广告，消费信息，金融管理，教育，政府，电子商务和许多其它信息服务，Web包含了丰富和动态的超链接信息，以及Web页面的访问和使用信息，这为数据挖掘提供了丰富的资源，Web挖掘就是从Web活动中抽取感兴趣的潜在有用模式和隐藏的信息，对Web挖掘最新技术及发展方向做了全面分析，包括Web结构挖掘，多层次Ｗeb数据仓库方法以及Ｗ eb,Log挖掘等。  

基于Rough Set理论的"数据浓缩"

本文了基于ＲｏｕｇｈＳｅｔ（ＲＳ）理论数据浓缩的几个问题。  

关联规则的增量式更新算法

关联规则的开采是一个重要的数据开采问题.目前已经提出了许多算法用于高效地发现大规模数据库中的关联规则，而对关联规则维护问题的研究工作却很少.在用户开采关联规则的交互过程中，为了找到真正令其感兴趣的规则，用户将需要不断调整两个描述用户兴趣程度的阈值：最小支持度和最小可信度.本文提出了两种增量式更新算法——IUA(incremental updating algorithm)和PIUA(parallel incremental updating algorithm),用来解决这一关联规则高效维护问题.  

基于大型数据仓库的数据采掘:研究综述

本介绍了数据采掘技术的总体研究情况，包括数据采掘的定义，与其他学科的关系，采掘的主要过程，分类和主要技术手段，作为例子介绍了关联规则采掘的研究，同时介绍了一些原型系统和商业产品以及主要应用领域，指出了数据采掘研究的挑战性以及目前的局限性。  

基于FP-Tree的最大频繁项目集挖掘及更新算法

挖掘最大频繁项目集是多种数据挖掘应用中的关键问题,之前的很多研究都是采用Apriori类的候选项目集生成-检验方法.然而,候选项目集产生的代价是很高的,尤其是在存在大量强模式和/或长模式的时候.提出了一种快速的基于频繁模式树(FP-tree)的最大频繁项目集挖掘DMFIA(discover maximum frequent itemsets algorithm)及其更新算法UMFIA(update maximum frequent itemsets algorithm).算法UMFIA将充分利用以前的挖掘结果来减少在更新的数据库中发现新的最大频繁项目集的费用.  

快速开采最大频繁项目集

发现最大频繁项目集是多种数据开采应用中的关键问题，提出一种快速开采最大频繁项目集的算法DMFI(discovery maximum frequent itemsets), 该算法把自底向上和自顶向下的搜索策略进行了合并。通过其独特的排序方法和有效的剪枝策略，大大减少了修选项目集的生成，从而显著地降低了CUP时间。  

数据挖掘技术在Web预取中的应用研究

WWW以其多媒体的传输及良好的交互性而倍受青睐，虽然近几年来网络速度得到了很大的提高，但是由于接入Internet的用户数量剧增以及Web服务和网络固有的延迟，使得网络越来越拥护，用户的服务质量得不到很好的保证。为此文中提出了一种智能Web预取技术，它能够加快用户浏览Web页面时获取页面的速度。该技术通过简化的WWW数据模型表示用户浏览器缓冲器中的数据，在此基础上利用数据挖掘技术挖掘用户的兴趣关联规则，存放在兴趣关联知识库中，作为对用户行为进行预测的依据。在用户端，智能代理负责用户兴趣的挖掘及基于兴趣关联知识库的Web预取，从而对用户实现透明的浏览器加速。  

Extensions to the k-Means Algorithm for Clustering Large Data Sets with Categorical Values

The k-means algorithm is well known for its efficiency in clustering large data sets. However, working only on numeric values prohibits it from being used to cluster real world data containing categorical values. In this paper we present two algorithms which extend the k-means algorithm to categorical domains and domains with mixed numeric and categorical values. The k-modes algorithm uses a simple matching dissimilarity measure to deal with categorical objects, replaces the means of clusters with modes, and uses a frequency-based method to update modes in the clustering process to minimise the clustering cost function. With these extensions the k-modes algorithm enables the clustering of categorical data in a fashion similar to k-means. The k-prototypes algorithm, through the definition of a combined dissimilarity measure, further integrates the k-means and k-modes algorithms to allow for clustering objects described by mixed numeric and categorical attributes. We use the well known soybean disease and credit approval data sets to demonstrate the clustering performance of the two algorithms. Our experiments on two real world data sets with half a million objects each show that the two algorithms are efficient when clustering large data sets, which is critical to data mining applications.  

数据挖掘中的聚类方法

从空间X中给定一个有限的取样点集(或从数据库中取得有限例子的集合),{x~i}_(i 1)~M,聚类的目标是将数据聚集成类,使得类间的相似性尽量小,而类内的相似性尽量大。分类问题(监督)和聚类问题根本的不同是:分类问题中,我们知道训练例的分类属性值,而在聚类问题中,就需要我们在训练例中找到这个分类属性值。1 数据挖掘领域中的聚类研究  

数据库中加权关联规则的发现

关联规则发现是数据库中知识发现研究中的热点课题,有着广泛的应用领域.在现有的研究中,数据库中的各个项目是按平等一致的方式加以处理的.然而,在现实世界数据库中却并非如此,不同的项目往往有着不同的重要性.为了将它们反映出来,对项目引入权值,从而提出了新的加权关联规则问题.由于项目权值的引入,频繁项目集的子集不再一定是频繁的.为此,又提出了项目的k-支持期望概念,并由此提出了加权关联规则的发现算法.