基于关联规则的Web日志挖掘算法

分析了经典的基于关联规则的Apriori挖掘算法,对该算法在Web日志挖掘中存在的不足进行了讨论。针对这些不足,对该算法进行了改进,并介绍了算法的具体实现。经实验测试,改进后的算法具有更好的效率。     

关联规则挖掘在高校教育管理中的应用

为有效利用高校教育管理工作多年来积累的大量数据,采用数据挖掘技术进行教育信息的关联规则挖掘,设计并实现了一个专门的教育管理数据挖掘系统EMARMiner。实验结果得到了有益于高等学校教育管理决策的挖掘结果。     

关联规则挖掘在网络课程推荐中的应用

以网络课程推荐为例探索关联规则在网络教学平台中的实现与应用。引入关联规则中的Apriori算法应用于网络课程关联分析,从而挖掘出潜在的网络课程相关规律,为学生学习、教师安排教学内容等提供科学依据。     

关联规则挖掘在旅游突发事件预测中的研究

基于数据挖掘中的关联规则挖掘及Apriori算法,研究了在旅游行业中用挖掘得到的规则对突发事件进行预测的方法.对突发事件进行了预处理,对与突发事件相关的规则进行了挖掘,提出了改进的关联规则算法,并获得了有意义的规则输出,并对这些关联规则在旅游业的应用进行了研究.     

关联规则挖掘技术在决策支持系统中的应用

关联规则挖掘是从事务数据库中找出大量数据中项集之间存在的有意义的隐藏关系,这种隐藏关系为决策者对企业的决策走向提供强大的支持.本研究结合实际,论述了如何利用数据挖掘技术中经典的关联规则挖掘算法--Apriori算法,为ERP系统的实施,提供决策支持.     

基于Apriori算法的关联规则挖掘的实现

以Windows 2000系统日志作为挖掘对象,利用Apriori算法找出其中蕴涵的关联规则,并用VB实现.     

关联规则挖掘在大学生心理健康测评系统中的应用研究

为深入了解影响大学生心理健康的主要因素以及心理症状之间的关联关系,将关联规则挖掘应用于大学生心理健康测评数据。先对原始数据进行预处理,再以Clementine 12.0为平台,建立大学生心理多维关联规则挖掘模型;以福建省某高校2011级的学生心理测试数据为基础,应用构建的模型分析了性别、独生子女、来源地、学生干部、家庭结构、家庭月收入6个属性和大学生九维心理症状间的关联关系。根据挖掘结果可以更深入地了解学生心理健康问题,为高校开展大学生心理健康教育的规划、决策提供依据。     

关联规则挖掘在道路交通事故分析中的应用

从大量的交通事故数据中找出引发交通事故的关键因素是提高道路安全水平的重要手段。基于某市全年的交通事故数据,采用改进的Apriori算法挖掘出强关联规则,通过一个新的相关性度量——相关值对关联规则进一步筛选,从中找出各因素对交通事故的影响规律。结果表明,该方法可以一定程度上提高关联规则挖掘的效率,并能够量化事故原因和事故结果之间的相关程度,从而找出有价值的规则。本文的研究方法和结果可以为相关交通管理部门提供决策支持。     

基于关联规则挖掘的教学质量监控系统应用

关联规则挖掘是数据挖掘研究的一个重要分支,它可以挖掘出数据库中的项目或属性间的未知或被隐藏的关系。将基于关联规则技术的Apriori改进算法,应用于教学质量监控分析系统中,对教师的教学质量评价数据信息进行挖掘和分析,找出对教师的教学质量有较大影响的因素,为学校的教学管理提供决策支持,并由此探索出一种利用关联规则来对大量数据进行挖掘分析、解决实际问题的思路和方法。     

基于关联规则的信息挖掘技术

关联规则挖掘方法是Web挖掘的主要方法之一,本文在讨论了关联规则挖掘方法的一般知识后,重点研究了基于Web的兴趣关联规则挖掘技术.通过该技术可挖掘出访问者的兴趣爱好等信息,帮助网站经营者调整经营策略,提高网站的访问效率.     

挖掘关联规则Apriori算法的一种改进

本研究在对Apriori算法分析的基础上,提出了改进的Apriori算法。改进后的算法采用矩阵表示数据库,减少了扫描事物数据库的次数;利用向量运算来实现频繁项集的计数,同时及时地去掉不必要的数据,减少了数据运算,从而提高了算法的运行效率。     

关联规则挖掘中Apriori算法的研究与改进

对Apriori算法加以改进,提出了一种更高效的关联规则挖掘算法,在扫描数据库的同时把支持每个项目的事务都标记出来,采用一种新的方法来计算候选项目集的支持度．该算法只需对源数据库进行一次扫描,就可以找出所有的频繁集,具有很高的效率．     

一个改进的分类关联规则挖掘算法

关联规则挖掘是数据挖掘的重要领域之一,目前多数监督学习算法对满足最小支持度和最小置信度的关联规则进行深入分析的较少。剖析了分类关联规则挖掘算法CAR-Apriori算法,并提出了一种基于多最小支持度和支持度差别限制的分类关联规则挖掘算法MSCAR-Apriori算法。实验结果表明,改进算法不仅可以挖掘出满足给定条件的分类关联规则,同时还可以保留稀有但用户感兴趣且可能蕴涵巨大利润的规则项。     

基于事务相似矩阵的关联规则挖掘算法

通过对Apriori算法挖掘过程的深入分析,提出一种改进的关联规则挖掘算法——基于事务相似矩阵的关联规则挖掘算法（ARBSM）：在压缩事务布尔矩阵的基础上构建一个事务相似矩阵,直接查找高阶肛项频繁集,有效解决了Apriori算法逐层搜索的迭代产生频繁项集的瓶颈问题。测试结果表明,ARBSM算法可以高效地挖掘潜在的强关联规则。     

基于关联规则算法的医疗数据挖掘

通过研究基于两阶段频集思想的Apriori算法,针对Apriori算法的性能瓶颈提出了改进的Apriori算法,利用改进的Apriori算法对乳腺疾病数据进行挖掘,使用SQLServer2005数据挖掘工具,主要建立肿瘤复发和其他属性间的关联规则.挖掘结果证明了关联规则算法在医疗数据挖掘中的有效性.     

基于相联规则的数据挖掘理论

通过对ＫＤＤ中基于相联规则的经典数据挖掘算法的讨论,提出构造测试平台的思想,旨在借助测试指标进一步指导和规范数据挖掘算法。在采用测试数据方面,阐明基于测试指标的人造数据比模拟现实世界的人造数据更适合于做为测试平台的数据集的思想。指出对Ａｐｒｉｏｒｉ等经典算法的改进途径。由于二次挖掘可以用前次挖掘出的知识作指导,从而提高了数据挖掘效率,因此,二次挖掘算法将成为今后ＫＤＤ领域中研究的热点。     

一种基于Apriori的高效关联规则挖掘算法的研究

为了从海量的信息资源库中进行析取、识别和发现潜在正确和有用、前所未知的、最终可理解的知识,从数据挖掘技术的研究入手,对关联规则挖掘算法Apriori算法的关键思想以及性能进行了研究,在此基础上分析和探讨了Apriori Mend算法,并给出了该算法的实现思想和步骤,同时通过实例说明了算法的执行过程,该算法提高了原算法的效率。     

基于Apriori数据挖掘算法研究

关联规则是从数据集中识别出频繁出现的属性值集,然后利用这些频繁集创建描述关联关系的规则过程.在分析经典关联规则挖掘算法的基础上,讨论了经典的Apriori算法,并提出改进的Apriori关联规则算法,对算法进行了实验数据的算法性能分析及运行时间对比.结果表明,改进的算法在运行速度和挖掘性能上都较经典的Apriori算法都有显著提高.