数据挖掘中关联规则的有趣性研究

关联规则挖掘是数据挖掘研究中的一个重要方面，而其中一个重要问题是对挖掘出的规则的兴趣度的评估，过去的研究发现，在实际应用中往往很容易从数据源中挖掘出大量的规则，但这些规则中的大部分对用户来说是不感兴趣的，本文对规则的兴趣度度量的两个方面作了讨论：一个是主观兴趣度度量，另一个是客观兴趣度度量，最后介绍了如何利用模板进行挖掘有趣的规则。     

挖掘支持度和兴趣度最优的数量关联规则

讨论了数量关联规则提取过程中的连续属性离散化方法和规则的有趣性问题，给出了数量关联规则的客观兴趣度的度量函数，提出用模板匹配方法挖掘用户感兴趣的规则，以解决数量关联规则有趣性的主观评测，研究了一种挖掘支持度和兴趣度最优的形如(A∈[v1，v2]∧)C1)推出C2(其中A为连续属性，C1、C2为类别属性)的数量关联规则方法，并将该方法应用于股市行情分析，实验结果表明是非常有效的．     

关联规则挖掘研究

关联规则挖掘是数据挖掘的知识模式中比较重要的一项任务,它的目的是发现数据集中所有的频繁模式。根据关联规则定义及属性,可发现关联规则。利用Apriori算法实现了关联规则的挖掘,关联规则可以产生清晰有用的结果;可以广泛应用于各个领域,既可以检验行业内长期形成的知识模式,也能够发现隐藏的新规律,是完成数据挖掘任务的一个重要手段。     

有趣Web日志关联规则挖掘算法

对Web日志关联规则挖掘算法进行了研究,普通的关联规则挖掘算法发现的规则数量太多,里面含有大量用户不感兴趣的规则,规则知识很难为用户所使用.根据网站拓扑结构和矩阵迭代技术实现了一种有趣关联规则(IMIA)算法,能够快速迭代求解任意两个页面间的关联概率,对关联规则进行有趣度评价,得出有趣度高的规则.实验结果表明,该算法是有效的,可以进一步改善网站性能,提高智能服务质量和性能,从而很好地应用到电子商务领域.     

关联规则挖掘与分类规则挖掘的比较研究

关联规则挖掘与分类规则挖掘都是数据挖掘,领域中很重要的技术。本文首先简要介绍了关联规则挖掘和分类规则挖掘的基本知识,主要从挖掘目的、发现规则算法的方法、算法的设计思想等几个方面对它们进行了比较,最后介绍了它们之间的联系。     

关联规则挖掘研究

介绍了关联规则挖掘的基本概念。提出了关联规则的分类方法．对一些典型算法进行了分析和评价。     

基于遗传算法的有趣模糊规则挖掘算法

针对数据挖掘中多强调分类规则的准确性和可理解性而很少研究规则的有趣性问题。对CHENS和LIUB提出的兴趣规则挖掘方法进行扩展,提出一种基于遗传算法的有趣模糊规则挖掘方法．实验表明该方法是可行的．     

关联规则挖掘综述

关联规则挖掘则是数据挖掘中最重要的分支之一。它着重研究大量数据中项集之间有趣的关联或相关关系，一个典型的例子就是购物篮分析。该过程可以分析出哪些商品顾客倾向于在一起购买，从而可以为商店经理提供比较好的商店布局方式。例如，通过分析，我们发现，顾客在购买了一台计算机以后，一般都会去购买财务管理软件，那么我们就可以把计算机和财务管理软件放在比较近的位置，以增加销售量。这里主要介绍了关联规则挖掘的经典算法，Apriori算法，同时给出了关联规则中的基本概念，然后分析了算法的运行效率。提出了改进的方法。     

空间数据关联规则挖掘研究综述

介绍空间数据关联规则挖掘的理论及其在研究上的应用,综述空间数据关联规则挖掘算法的应用成果,指出其应用前景和存在的问题.     

基于关联图的关联规则挖掘算法研究

在挖掘关联规则的过程中 ,一个关键的步骤是产生频繁项目集 .本文给出一种基于关联图的关联规则挖掘算法 ,并将它与性能比较好的关联规则挖掘算法 DHP进行了比较 ,结果表明 ,本文的算法优于 DHP算法     

兴趣度在基于关联分析的选课指导系统中的研究与应用*

简要地介绍了数据挖掘技术,通过对关联分析的经典算法Apriori在学生选课指导系统中的应用分析,发现了Apriori不适合学生选课指导系统的缺陷.提出了增加兴趣度阈值以减少产生的无用规则,提高挖掘精度,克服原系统缺陷的新算法,为学生选课辅助决策提供了良好的理论依据和实现方法.     

一种基于关联规则挖掘的分类规则挖掘算法

本文根据关联规则和分类规则的概念与表示形式,指出在关联规则挖掘过程中如果指定挖掘与一个确定的项相关联,那么就是分类规则挖掘了,论述了分类规则是特殊情况下的关联规则,并指出在这种特殊情况下,关联规则所具有的特征;然后根据这一论述,提出了一种在关联规则挖掘算法中利用限制条件概率分布来发现分类规则的算法。     

使用关联规则挖掘高校教学评价数据

以高校教学评价数据为基础,采用数据挖掘中的关联规则,寻找教学评价数据背后隐含的有价值的信息。从教学评价表中挖掘出教师特征因素（学历、职称、教龄）与教学评价质量等级的关联,从而为教学管理部门和授课教师提供决策参考。     

增量更新关联规则数据库挖掘算法研究

随着数据库技术的不断发展及数据库管理系统的广泛应用,大型数据库系统己经在各行各业普及,数据库中存储的数据量急剧增大,数据挖掘便是从海量数据库中挖掘有效或重要信息的过程。关联规则挖掘是数据挖掘领域一个非常重要的研究课题,被广泛地应用于商业界、医疗保险、金融业、电信部门等。随着时间的推移,挖掘数据库的规模会发生不断变化,人们对数据的需求也会有所不同,因此如何从扩展数据库中高效地对已经推导出的关联规则进行更新具有非常重要的应用价值,这就是所谓的增量式挖掘关联规则的问题。     

基于时序数据的延迟关联规则的挖掘

时序数据是一种常见的数据类型,也是数据挖掘的重要研究内容。采用关联规则挖掘时序数据是较新的研究领域。明确提出挖掘延迟关联规则的模型,根据延迟规则的定义提出两种挖掘方法,并针对两种算法进行了相关的对比分析。     

基于关联规则的教学质量评价数据挖掘

课堂教学质量评价是教学质量评估的重要内容,是提高教学质量的重要途径和手段.讨论利用数据挖掘方法中的Apriori算法对教学质量评价数据进行关联规则挖掘,挖掘教学质量与考核对象,考核指标之间的内在关系,为教学管理提供决策支持.     

挖掘关联规则算法的优化处理

在挖掘关联规则的执行过程中,早期循环生成最大项目集的过程是很重要的。文中提出基于哈希表的算法,对生成侯选项目集的过程进行了优化,尤其是对生成二维侯选项目集更是有效。由于在早期循环中,生成侯选项目集的势较小,使得能更有效地修剪数据库,从而减小了后期循环的计算代价,同时也减小了I／O请求。     

关联规则数据挖掘与发展趋势研究

论文首先简要地介绍关联规则的概念、基本原理及分类。然后详细地讨论了Apriori算法的基本原理，同时也指出了Apriori算法的一些缺陷。针对这些缺陷提出了解决方法，列举了几种改进算法。最后概述了关联规则数据挖掘的发展趋势。     

关联规则数据挖掘与发展趋势研究

论文首先简要地介绍关联规则的概念、基本原理及分类。然后详细地讨论了Apriori算法的基本原理,同时也指出了Apriori算法的一些缺陷。针对这些缺陷提出了解决方法,列举了几种改进算法。最后概述了关联规则数据挖掘的发展趋势。