关联规则挖掘综述

介绍了关联规则挖掘的研究情况,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,指出传统关联规则衡量标准的不足,归纳出关联规则的价值衡量方法,展望了关联规则挖掘的未来研究方向。     

模糊关联规则及挖掘算法

本文提出了模糊关联规则的概念,研究了模糊关联规则的性质和挖掘算法,同时还提出了一种新的规则有越性的度量函数。     

快速多层次关联规则的挖掘

知识发现是指对原始数据进行分析，提取出隐含的，有用的规则，是当前快速发展的研究领域，是知识获取的重要方法，关联规则是知识发现的重要研究内容之一，本文提出了一种新的多层次关联规则挖掘算法ＭＬ＿ＡＲ，算法ＭＬ＿ＡＲ在挖掘过程中，只对最低概括层次上的候选系模式进行模式的匹配计算，求解出简化的频繁式集合，最后再求解各个概括层次上的繁频模式集合，算法ＭＬ＿ＡＲ有效地利用了概括的层次关系，减少了模式的匹配计算     

一种新的普遍化关联规则挖掘算法

提出了一种新颖的普遍化关联规则挖掘算法GARL。该算法连续扫描数据库事务序列，在最多不超过两遍扫描后生成所有频繁项目集，在首次扫描数据库时，能为用户给出反馈信息，允许用户对最小支持率进行调整，该算法能连续处理事务序列，可用于网上在线数据挖掘。     

大型数据库中关联规则的向量法挖掘

提出一个基于向量运算的崭新的挖掘算法， 它特别适用于并行运算，并且，在整个挖掘过程中，只需扫描数据库一次，而传统的Apriori算法需要多次扫描数据库。因此，数据挖掘效率大大提高。     

实用关联规则挖掘算法的研究和实现

关联规则挖掘是数据挖掘的主要方式之一。如何挖掘实用、有趣的关联规则已引起了众多学者的注意,由于至今没有形成一个统一的标准,本文从删除冗除规则和引入“相关度”这个概念两个方面对实用关联规则的挖掘算法进行了初步研究,最后对挖掘算法的运行状况进行了比较和分析。     

关联规则挖掘技术研究的新进展

在数据库中发现频繁模式和关联规则是数据挖掘领域的最基本、最重要的问题。自从Agrawal的开创性工作以来,有关研完从未停止过。然而由于其内在的计算复杂性,这一问题并未完全解决。本文对关联规则的基本概念和类型、重要挖掘算法、特别是近年来相关研究的新进展做了全面综述与深入分析,并指出了未来的研完方向。     

概念指导的关联规则的挖掘

关联规则是数据依赖关系泊有效描述方法,是知识发现研究的重要内容,传统的关联规则挖掘算法缺少挖掘的针对性,挖掘速度慢,挖掘效果难于理解,挖掘析数量巨大,需要进行大量的筛选以便抽取出有用规则,文中提出了将概念融入挖掘过程中,提高挖掘的效率和挖掘的针对性的方法,给出了概念指导的关联规则挖掘算法ＣＧＡＲＭ和大数据库中概念的交互式生成方法。算法ＣＧＡＲＭ是对基于分类的挖掘算法的拓展。实验结果表明,算法ＣＧＡ     

基于模糊概念的量化关联规则挖掘

提出了一种新的基于模糊概念的量化关联规则挖掘方法，该方法利用在量化属性域上定义的一组模糊概念表示属性间的关联关系，克服了传统的离散分区法的不足，使得规则的表示自然，简明，有利于专家理解，同时，给出了挖掘算法。     

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．     

Generalized Affinity-Based Association Rule Mining for Multimedia Database Queries

The recent progress in high-speed communication networks and large-capacity storage devices has led to a tremendous increase in the number of databases and the volume of data in them. This has created a need to discover structural equivalence relationships from the databases since queries tend to access information from structurally equivalent media objects residing in different databases. The more databases there are, the more query-processing performance improvement can be achieved when the structural equivalence relationships are automatically discovered. In response to such a demand, association rule mining has emerged and proven to be a highly successful technique for discovering knowledge from large databases. In this paper, we explore a generalized affinity-based association rule mining approach to discover the quasi-equivalence relationships from a network of databases. The algorithm is implemented and two empirical studies on real databases are conducted. The results show that the proposed generalized affinity-based association rule mining approach not only correctly exploits the set of quasi-equivalent media objects from the databases, but also outperforms the basic association rule mining approach in the discovery of the quasi-equivalent media object pairs. Received 16 September 1999 / Revised 12 September 2000 / Accepted in revised form 9 January 2001     

关联规则算法的实现与改进

关联规则作为一种数据挖掘的工具,它能够发现数据项集之间有趣的关联。在关联规则的算法中,Apriori算法是其中的关键算法之一。面对大量复杂的数据集,怎样选择数据结构,怎样优化处理过程,对于此算法的性能将会十分重要。该文首先介绍了关联规则的原理和Apriori算法的实现,然后提出了对该算法的若干改进,例如:采用树型结构存取频繁项集,使用三种缓存优化的方法等。这些优化都能够在整体上提高算法的效率。对于大数据项,试验显示,这些改进能够正确、有效、快速地实现Apriori算法。     

遗传算法在关联规则挖掘中的应用

该文尝试和遗传算法挖掘关联规则，并结合图书馆智能型读者测评系统，给出了一个基于遗传算法进行了关联规则挖掘的实例。     

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。     

基于数据仓库的高效关联规则的挖掘

提出在基于数据仓库的关联规则发现中生成最小关联规则集来代替完全关联规则集,最小关联规则集必须具备两个条件：（1）最小关联规则集是最小、最简单的关联规则集合;（2）最小关联规则集与完全关联规则集有相同的置信度。通过最小关联规则集,可以有效地剪除弱关联规则,大幅度减少候选频繁项目集,从而提高规则发现效率。是后,在传统经典算法Apriori基础上设计了一个相应的高效算法。     

决策树采掘技术及发展趋势

介绍了决策树采掘技术的主要内容和最新应用,对决策树的生长和剪枝算法进行了比较。指出了决策采掘技术的研究方向。     

实用关联规则挖掘算法的研究和实现

关联规则挖掘是数据挖掘的主要方式之一。如何挖掘实用、有趣的关联规则已引起了众多学者的注意, 由于至今没有形成一个统一的标准,本文从删除冗余规则和引入“相关度”这个概念两个方面对实用关 联规则的挖掘算法进行了初步研究,最后对挖掘算法的运行状况进行了比较和分析。     

一个改进的关联规则的频繁项目集数据挖掘算法

在关联规则中的Apriori算法,具有天生的缺陷,运行效果很不理想。为了克服Apriori算法的缺点,本文提出了一个改进的算法：在产生频繁项目集组合时,只需扫描数据库一次,这样就可以有效率地降低I／O的存取时间,更快速地找出符合使用者需求的关联规则。仿真实验表明,该算法是有效的。     

一种高效的关联发现算法：令牌群挖掘算法

令牌是一种具有生命周期的结构体,它从创建、运行到消亡形成一个完整的生命周期.令牌的创建是生成一个六元组,为要完成的任务设置各项参数.令牌的运行即执行各项命令,完成相关任务并返回执行结果,最后取消并回收令牌,以达到更好的效率.应用这种结构设计了一种新的关联规则发现算法,该算法通过创建并发送令牌完成对数据集的一次扫描,在扫描过程中对数据对象进行标记,然后完成数据的收集和规则模式的生成.实验结果表明,该算法具有线性的时间和空间复杂性,在增量挖掘方面具有良好的性能.     

关系表中联系规则挖掘的设计和实现

介绍了在关系数据库中进行联系规则采掘的基本概念。同时基于关系数据库的特点,利用ＳＱＬ语言来实现联系规则的挖掘。提出了一个算法和具体实现的方法,并进行了一些必要的讨论。