带结论域的关联规则的挖掘

为了提高关联规则挖掘的效率和提高关联规则的准确率，提出了以rough set为基础的关联规则挖掘，该文系统介绍了两种挖掘算法的主要过程，并提出了带结论域的并联规则挖掘解决方法。     

基于粗糙集理论的关联规则挖掘模型

提出了一个基于粗糙集理论的关联规则挖掘模型。介绍了该规则挖掘模型的主要步骤，模型中应用了属性约简和规则约简技术，并给出了该两个技术的算法。     

基于粗糙集的关联规则挖掘方法

对粗糙集进行了相关研究,并提出一种以粗糙集理论为基础的关联规则挖掘方法,该方法首先利用粗糙集的特征属性约简算法进行属性约简,然后在构建约简决策表的基础上应用改进的Apriori算法进行关联规则挖掘。该方法的优势在于消除了不重要的属性,减少了属性数目和候选项集数量,同时只需一次扫描决策表就可产生决策规则。应用实例及实验结果分析表明该方法是一种有效而且快速的关联规则挖掘方法。     

数据集划分及关联规则挖掘

介绍了一种根据数据集中项目的概念层次，利用变精度粗糙集模型对数据集进行划分的方法，设计了相应的关联规则挖掘算法及并行算法，并通过测试分析了算法的挖掘效率和影响挖掘效率的主要因素。     

一种基于关联规则挖掘的粗糙集约简算法

针对粗糙集理论中的约简这个重要问题进行了研究,引入关联规则挖掘中的支持度和置信度概念,提出一种基于关联规则挖掘算法思想的约简算法,从而得到更有效的约简。     

基于粗糙集的不完全相容的关联规则挖掘

设定结论域对于关联规则的挖掘具有重要意义,文章提出一种带结论域不完全相容的关联规则挖掘模型,采用将决策表分解为完全相容与完全不相容的决策表,通过条件属性约简和规则约简,实现关联规则的极小化。     

基于约简数据集的关联规则挖掘策略

原始数据集中含有大量噪声数据,且数据的规模很大,直接进行关联规则挖掘会影响准确度和效率。文章提出了一种对原始数据先进行聚类,再提取关联规则的挖掘策略,可以在一定程度内减少噪声数据的干扰,消除数据对象中的冗余属性,提高规则挖掘的有效性。     

基于约束的多维关联规则挖掘的粗糙集模型

提出了基于约束的多维关联规则挖掘的粗糙集模型,将约束应用到粗糙集模型中,建立一个决策表,在条件粒度和决策粒度中采用用户投票和阈值的方法。粗糙集模型可以在垂直方向上大量的减少属性,并在水平方向上清晰的聚簇纪录,因此能有效的改进关联规则挖掘的质量。     

基于模板的关联规则挖掘算法

借用粗糙集理论中α-约简的概念,提出了一种新的基于模板的启发式关联规则挖掘算法.在已获得模板T和原信息表的基础上创建一张新的决策表,先将组成模板的描述子的知识量作为启发函数,知识量大的描述子优先成为候选α-约简集中的元素,再对候选α-约简集中的元素进行计数,从而选择满足阈值的约筒集作为最终的近似最短α-约简,即通过启发式算法求描述子集的近似最短α-约简来获取近似最优强关联规则,并以示例验证了该算法.     

基于Rough Set的Web日志规则挖掘

Web日志挖掘是提高Web应用系统效率的有效手段。将Web日志通过预处理形成决策表,运用Roughset理论中的区分矩阵方法进行属性约简,从而获得简洁有效的关联规则,进行用户行为的预测研究。实验效果良好。     

数字属性的优化关联规则开采

关联规则揭示了关系表中属性之间潜在的联系,优化关联规则是发现特定属性间用户最感兴趣关系的一种有效途径。该文提出了一种基于数字属性的优化关税规则开采算法,该算法允许优化关联规则包含多维析取范式。     

基于属性分组的高效挖掘关联规则算法

挖掘频繁项集在数据挖掘中有着重要的作用。目前,关于频繁项集的挖掘问题已经提出了一些算法,虽然实现了一次扫描数据库即可以发现所有的频繁项集,但是当属性数目很多时,算法的执行效率下降很快。论文首次提出了利用属性分组作为挖掘关联规则的工具,给出了基于属性分组的频繁项集挖掘算法,用矩阵来存储数据库属性间的信息并提取频繁项集,而且不产生候选项集。经实验验证该算法是快速有效的。     

基于模糊聚类的模糊关联规则挖掘

通过模糊聚类，从已知数据中得到数据点对数据类的隶属度，并以此进行模糊关联规则的挖掘，从而使得模糊关联规则的发现不依赖于人类专家预先给出的隶属度函数；并且实验表明。聚类并没有带来显著的顿外计算时间，对于大型数据库，文章提出的方法是有效的。     

基于GMM的文本规则挖掘的粗糙集方法研究

领域文本具有结构复杂、相似性高以及动态变化等特点,且存在着连续型与离散型并存的混合数据,这在一定程度上限制了知识发现方法对文本规则的挖掘效率。针对这一问题,该文提出了基于GMM与粗糙集的文本规则挖掘方法。该方法首先根据目标数据的属性类型构造信息表;然后利用高斯混合模型(GMM,Gaussian Mixture Model)聚类算法对连续数据进行聚类划分,依此对数据进行离散化及状态约简,并生成决策表;最后利用粗糙集理论对决策表进行属性约简,通过约简表对决策规则进行提取。实验结果表明: 相比于传统的方法,该文方法拥有更高的抽取精度以及较强的属性约简能力,其信息抽取的平均准确率与F₁值能够达到95.0%和95.7%。     

一个基于粗集的决策树规则提取算法

决策树是数据挖掘任务中分类的常用方法。在构造决策树的过程中,分离属性的选择标准直接影响到分类的效果,传统的决策树算法往往是基于信息论度量的。基于粗糙集的理论提出了一种基于属性重要度和依赖度为属性选择标准的决策树规则提取算法。使用该算法,能提取出明确的分类规则,比传统的ID3算法结构简单,并且能提高分类效率。     

一个基于粗集的决策树规则提取算法

决策树是数据挖掘任务中分类的常用方法。在构造决策树的过程中，分离属性的选择标准直接影响到分类的效果，传统的决策树算法往往是基于信息论度量的。基于粗糙集的理论提出了一种基于属性重要度和依赖度为属性选择标准的决策树规则提取算法。使用该算法，能提取出明确的分类规则，比传统的IDB算法结构简单，并且能提高分类效率。     

基于幂集的关联规则挖掘算法研究

首次提出了利用幂集作为挖掘关联规则的工具,给出了基于幂集的关联规则挖掘算法。该算法有效解决了传统算法中需对数据库多次扫描的不足,实现了对数据库一次扫描就可挖掘出所有频繁集的功能。