基于聚类的快速时域关联规则发现算法

时域数据的挖掘是数据挖掘领域经常遇到的问题。而时域关联规则的发现研究是关联规则的一个重要研究课题。该文在对周期关联规则进行深入研究的基础上,形式化定义了基本的时域关联规则概念,并提出了基于Apriori的发现周期关联规则的CCAR算法。CCAR的核心思想是首先把各项目按照周期时间分布进行聚类,根据聚类结果把每个项目分成几个动态的有效时间区域。在应用Apriori算法时,用项目的各个时间区域扩展项目集Ⅰ,然后根据作者提出的带时间属性的JOIN操作由Lk-1生成Ck,并由约简操作删除Ck中不满足条件的候选频繁项目集以提高算法的效率。算法理论分析和实验都表明CCAR是有效的。     

一类时态近似周期关联规则的知识发现问题

研究一类基于时态约束的属性状态之间存在关联的近似周期知识发现问题。首先构造了时态近似周期关联规则模型,然后提出了一个基于SOM（自组织特征映射网络）聚类来寻找近似周期关联规则的算法,对十多年来的股票数据和高频股票数据分别进行了一些实验,实验表明该算法是有效的。     

基于矩阵加权关联规则的区间模糊C均值聚类

提出一种基于矩阵加权关联规则的区间模糊C均值聚类算法。根据支持度和可信度对矩阵构造关联规则,在关联规则的基础上进行区间模糊C均值聚类。由样本数量的大小来调整区间的影响因子a以达到最优聚类。该算法在解决小型文本时精度优于传统算法(如k-means),在解决多维数据时效率较理想。理论和实验表明,该算法可以在一定程度上提高聚类结果的质量和算法效率。     

一种改进的关联规则挖掘算法

提出了一种基于聚类的挖掘关联规则Apriori改进算法，该算法只需扫描一次事务数据库，直接按事务项数生成聚类表，每次只需扫描部分聚类表就可生成频繁项集，减少了扫描数据库的次数和计算成本，从而有效提高挖掘关联规则的效率。     

基于矩阵加权关联规则的核模糊聚类

提出一种基于矩阵加权关联规则的空间粒度聚类算法。该算法核心思想是根据文档特征向量矩阵提取文档的相似度,再在该关联规则算法上进行聚类来寻找相似关系的频繁项集。通过引入核函数,样本点被非线性变换映射到高维特征空间进行聚类,提高聚类性能。通过矩阵加权关联规则算法进行聚类。通过实验表明,在处理中小型文档时,该算法的精确度优于传统Apriori算法和K-mean算法;在处理大型文档时,该算法的时间复杂度小于传统的K-mean算法。     

基于聚类的关联规则在CRM中的应用

针对具体超市销售行业CRM进行分析,将聚类技术运用到关联规则发现领域,利用聚类技术压缩交易数据库,从而减少挖掘算法需要处理的数据量以提高挖掘效率．在企业现有数据的基础上进行实现,得到更好的挖掘效果。     

词共现文本主题聚类算法

文本主题是文本聚类的关键,而文档中共现词对对文档主题的表现力非常强.因此,在对现有文本主题挖掘和共现词对抽取算法深入研究的基础上,提出了一种基于关联规则词共现的文本主题聚类算法(TCABARWC),即首先采用关联规则挖掘算法抽取文档共现词对,利用词共现提取文本主题信息,然后根据共现词对建模并实现共现词对相似度量,最后结合层次聚类算法实现文本聚类.实验结果表明,相比其他聚类算法,基于关联规则共现词对的层次聚类算法,大大降低了文本向量的维度以及算法复杂度,在聚类效率和准确性上都有显著提高,并获得了较好的聚类效果.     

基于艾宾浩斯遗忘曲线的零售商品模糊关联分析

针对消费者对商品的偏好存在时序变化特征,而传统关联规则方法未考虑时间因素的影响,且对海量数据集进行关联挖掘时存在效率低下的问题,提出了基于艾宾浩斯遗忘曲线的模糊关联规则算法。该方法通过FCM聚类算法对商品进行聚类,并用艾宾浩斯遗忘曲线来修正聚类的距离度量方法,从而得到商品类及各类的代表点商品;然后将各代表点商品作为属性,消费记录小票作为样本,利用模糊关联规则算法得到代表点商品间的规则;最后将某大型超市一个月的销售记录作为关联规则的事务数据来挖掘潜在规律,结果显示所提算法先对商品模糊关联分析,与传统直接对商品进行关联分析相比,该算法可以显著提高关联挖掘的效率和规则的正确率。     

高效中药关联规则发现算法研究及应用

将关联规则发现算法引入到中药配方数据库的数据挖掘中,以求发现方剂中单方之间的关联规则及中药中的药对药组,可以为中药中新药的研制提供重要依据。由于常用的关联规则发现算法：Apriori算法存在多次扫描数据库的缺陷,提出了一种基于矩阵的关联规则发现算法：Apriori_Matrix算法,该算法优化了Apriori算法中集合连接过程多次比较所花费的时间,可极大地提高关联规则挖掘的效率。针对中药数据库中单方的种类有限、配伍规则各不相同、同一种病症对应多种方剂的情况,改进算法有助于缩短新药研制的周期。     

一类多粒度近似周期关联规则问题的挖掘研究

研究一类在多粒度时间下单事件同属性不同状态之间有一定关联的近似周期规律挖掘问题。给出了多粒度近似周期关联规则模型形式化的数学定义和性质，构造了相关模型，提出了利用聚类算法挖掘周期模式并应用于股票数据进行实验，实验结果表明算法是有效的。     

一种新的周期性关联规则模型

针对已有周期性关联规则模型的局限性,本文提出一种新的周期性关联规则模型。此模型通过聚类分析将一个周期分成若干个长度可能不同的时间段,从而更准确地发现周期性关联规则。文章还给出相应的挖掘算法。     

对演变数据进行关联规则挖掘的新方法

针对已有经常性周期关联规则在演变数据和周期长度方面的局限性，文章提出一种新的方法，从而可以对演变数据进行经常性长周期关联规则的挖掘，这种方法针对演变数据的动态环境，通过对数据块的动态聚类得到周期分段，然后在每一分段内利用低支持度关联规则挖掘算法来发现周期较长的关联规则，整个算法可以在GEMM算法的基础上进行动态模式保持。     

采掘关联规则的高效并行算法

采掘关联规则是数据采掘领域的一个重要问题。文中对采掘关联规则问题进行了简单的回顾,给出了一种提高顺序采掘关联规则效率的方法;分析了已有并采掘关联规则算法的优缺点;设计了一个效率较高的并行采掘关联规则的算法ＰＭＡＲ;并与其它相应算法进行了比较,实验证明,算法ＰＭＡＲ是有效的。     

基于审计的时态关联规则研究

传统关联规则挖掘很少考虑关联规则的时间适用性.时态关联规则是指带有时态约束的关联规则,每个关联规则都有着其成立的时间区域.结合其他算法的特点,提出了基于Fisher聚类的时态关联规则挖掘算法,它能够动态地发现关联规则以及关联规则有效的时间区域.实验结果证明该算法是合理有效的。     

适合于高效更新的关联规则挖掘算法

实用的关联规则挖掘算法，为了发现事先未知的关联规则，用户需要通过对最小支持度和最小可信度这两个阈值的不断调整来逐步聚焦到那些真正令其感兴趣的关联规则上去，这将是一个动态的交互过程，因此，迫切需要高效的更新算法来满足用户对较快的响应时间的需求，基于这种思想，并深入分析了已有的诸关联规则挖掘与更新算法且指出其共同存在的问题与不足，在此基础上，提出一种当数据库数据不变时，仅扫描数据库一次，即可反复调整最小支持度和最小可信度进行关联规则挖掘与更新的高效、实用的算法，特别在对关联规则进行更新时，该算法对最初和前次挖掘过程中所得到的信息加以充分的利用，从而对关联规则进行更新时算法的执行效率得到进一步的提高，并对算法进行了分析与讨论．     

基于模糊关联规则的微博用户潜在兴趣发现

针对微博用户兴趣随时间变化的特征,提出一种基于模糊关联规则的潜在兴趣发现方法(PIDFAR),利用LDA主题模型表达微博主题分布,通过时间加权的方式计算出用户现在兴趣的主题分布,进行模糊关联规则挖掘,得出关联规则集合以表示和发现用户兴趣随时间发生变化的一般规律,最后根据关联规则集合中关联规则和用户现在兴趣的主题分布来计算相似度,取相似度较高的关联规则的后项的集合组成用户的潜在兴趣.实验表明, PIDFAR方法能够使得用户潜在兴趣的发现过程脱离用户的好友群体限制,相比基于协同过滤技术的潜在兴趣发现方法明显提高了发现微博用户潜在兴趣的准确率.     

并行多层关联规则的挖掘算法研究

在分析了单数据库多层关联规则算法SMAM算法的基础上,为了提高现有算法的效率,改善内存的使用率,提出了两种并行多层关联规则算法PMAM L和PMAM LG。在无共享的工作站机群上进行性能测试,证明PMAM算法是有效的。     

基于用户访问事务文法的序列关联规则发现

在Web挖掘中,应用关联规则发现方法可以发现Web页面之间用户访问的关联度.由于Web站点内含丰富的页面结构信息,也由于用户的访问总是要遵循一定的访问顺序,因此提出一种新的可以发现用户访问序列之间关联度的方法——序列关联规则发现方法.该方法首先得到用户访问事务;然后根据正则文法,定义了一种新的用户访问事务文法,用于从用户访问事务中得到用户序列访问事务;最后应用关联规则发现算法进而发现序列关联规则.为了进一步评价所发现的序列关联规则,引入了互信息的概念.发现的序列关联规则可以帮助Web站点的设计者更好地理解用户的访问,以用于调整Web站点的结构.     

网格环境下基于语义关联的信息检索

为了满足网格环境中资源信息的大幅度增加对信息检索的性能越来越高的要求,对网格环境中的信息服务系统(MDS)进行了分析并指出其局限性,设计了网格环境下资源信息检索匹配算法,在MDS的发现系统中应用基于元数据语义关联的信息检索。实验实现了网格环境下基于所设计算法的信息检索,对目录式检索和语义关联检索进行了比较,证明了这种方法可以有效提高资源信息的检索效率。