加权关联规则挖掘的算法研究

信息时代的到来,产生了大量的数据.在大量的数据背后隐藏着许多重要的信息,如果能把这些信息从数据库中抽取出来,将会创造很多潜在的利润.关联规则的挖掘已被广泛应用在实际生活中.但过去的研究往往认为数据库各个项目的重要程度是相同的,而事实上,用户对项目的看重程度是不同的,因此已有算法挖掘出来的并不一定是我们感兴趣的规则.针对这种情况,提出了加权关联规则.     

无冗余关联规则在财政收支分析中的应用

关联规则反映了大量数据中项目集之间的相关联系,通过关联规则的提取可以对大量的数据进行分析.运用无冗余关联规则的性质对财政收支体系中的重要参数指标进行数据处理和关联规则的挖掘,从而得到最有价值的信息,利用到决策中,具有非常重要的现实意义.     

基于多最小支持度的空间关联规则发现

空间关联规则挖掘可应用于发现空间数据库中大量空间谓词与非空间谓词之间的特定空间关系。论文针对区县道路交通数据提出了一种基于多最小支持度的空间关联规则挖掘算法,并给出了在GIS中进行空间关联规则挖掘的一般方法和流程。该挖掘算法可以从城市道路地理信息数据库中发现用户感兴趣的空间关联规则,经实际应用于城市道路规划管理系统,证明该算法是有效、可行的。     

一种基于FP树的挖掘关联规则的增量更新算法

挖掘关联规则是数据挖掘领域的一个重要研究方向．人们已经提出了许多用于高效地发现大规模数据库中关联规则的算法，但对关联规则维护问题的研究却比较少．该文在FP树的基础上，引入支持度函数的慨念，对FP树进行改造，提出了一种关于挖掘关联规则的增量更新算法IFP—growth．该算法既考虑了数据集中数据的增加．同时又考虑了数据集中数据的减少等情况下关联规则的维护问题，并且还可以把增量更新的5种情形简化为3种情形．使用本算法来挖掘关联规则可以避免生成大量的候选项目集，而且非常高效．     

基于多最小支持度的空间关联规则发现

空间关联规则挖掘可应用于发现空间数据库中大量空间谓词与非空间谓词之间的特定空间关系。论文针对区县道路交通数据提出了一种基于多最小支持度的空间关联规则挖掘算法,并给出了在GIS中进行空间关联规则挖掘的一般方法和流程。该挖掘算法可以从城市道路地理信息数据库中发现用户感兴趣的空间关联规则,经实际应用于城市道路规划管理系统,证明该算法是有效、可行的。     

基于项目集知识库的关联规则挖掘与更新的高效算法

通过对已有的诸关联规则挖掘与更新算法进行深入的分析和研究，指出了其共同存在的问题与不足，提出了一种基于项目集知识库的关联规则挖掘与更新方法。该方法既适应当数据库D中数据不变而用户指定的最小支持度和最小置信度这两个阈值变化的情况，也适合事务数据库D中数据发生变化的情况。当事务数据库D中数据不变时，仅需扫描数据库一次，便可建立项目集知识库KBD，然后可反复调整最小支持度和最小置信度进行关联规则挖掘与更新。而当事务数据库D中数据发生变化时，仅需扫描数据集d 和d-各一次；通过对项目集知识库KBD的更新来达到对频繁项目集和关联规则的更新。     

基于矩阵的加权关联规则挖掘算法

关联规则挖掘是数据挖掘中的一个重要模型。传统的关联规则挖掘算法需要多次扫描数据库,生成大量候选项集,并且把数据库中各个项目按平等一致的方法对待,算法复杂且与实际情况不符。为此提出一种基于矩阵的加权关联规则挖掘算法,它只需扫描一次数据库,不生成候选项目集,可以快速挖掘出频率小但重要性高的项目。     

一种基于BUC的水平加权关联规则挖掘算法

关联规则挖掘可以从大量数据中发现项集间潜在而有趣的相互联系。针对用户对每个项目感兴趣的程度不同,一些学者提出了水平加权关联规则。然而每次生成新候选集后对整个数据库事物的扫描成为算法效率的一大瓶颈。为进一步提高加权关联规则的挖掘效率,在原有的水平加权关联规则算法的基础上,采取了深度优先的策略,提出了一种基于BUC的水平加权关联规则挖掘算法——BUc—MINWAL。改进算法可以大大减少对数据库的扫描范围。实验结果表明,改进的算法有更好的执行效率。     

CAPP环境下关联规则挖掘技术的应用研究

CAPP系统的数据库中存储了大量的工艺设计资料，如何充分利用这些宝贵的数据和信息是一项非常有意义的研究工作。通过对数据挖掘技术的深入分析，提出了将数据挖掘技术应用于CAPP数据库中，采用关联规则挖掘方法发现基本工艺单元。详细讨论了关联规则的定义和挖掘算法，并给出了具体的挖掘实例，以期为提高CAPP系统的应用效率提供有力的技术支持。     

增量更新关联规则挖掘算法研究

随着大型数据库系统在各行业普及,数据库中存储的数据量急剧增大,数据挖掘是从海量数据中挖掘有效或重要信息的过程。关联规则挖掘作为数据挖掘的重要研究课题,被广泛地应用。伴随挖掘数据库的规模不断发生变化,对数据的需求也会有所不同,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。     

量化关联规则在高校就业信息数据中的应用

针对就业信息数据中存在着大量的量化属性和分类属性等现象,提出了一种基于k-means的量化关联规则挖掘方法。该方法利用聚类算法k-means对量化属性进行合理分区,将量化属性转化为布尔型;利用改进的布尔关联规则方法对此进行关联规则挖掘,找出学生的受教育属性和就业属性之间的关联性;对挖掘出的规则进行分析和运用。就业信息数据实验证明,文中所提方法对就业信息进行挖掘是有效的、可行的。     

Shared-nothing并行事务数据库系统中规则的挖掘与更新算法

关联规则是数据挖掘中的一个重要研究内容．本文提出了Shared—nothing并行事务数据库系统(简称SNPDBS)中一种快速的关联规则挖掘算法SNPMAR，并考虑当最小支持度发生变化后SNPDBS中关联规则的高效更新问题，提出了一种有效的关联规则更新算法SNPIUA．     

基于粗糙集的多维关联规则挖掘方法

海量的数据使得关联规则挖掘非常耗时,而并非所有的规则都是用户感兴趣的,应用传统的挖掘方法会挖掘出许多无关信息。此外,目前大部分算法是针对单维规则的。因此,定义了一种挖掘语言使得用户可以指定感兴趣的项以及关联规则的参数（如支持度,置信度等）,并提出一种基于粗糙集理论的多维关联规则挖掘方法,动态生成频繁集和多维关联规则,减少频繁项集的生成搜索空间。实例分析验证该算法的可行性与有效性。     

关联规则在信息管理与信息系统专业课程设置上的应用

现行的教育管理系统中积存大量的学生历史数据,传统的数据分析工具对这些数据的应用存在很大的不足,利用关联规则算法对信息管理与信息系统专业学生的历年各科学习成绩进行关联规则挖掘,从而在一定程度上确定各个课程在该专业上的重要性,为信息管理与信息系统专业的教学计划修订提供一定的建设意见。     

Evidential data mining: precise support and confidence

Associative classification has been shown to provide interesting results whenever of use to classify data. With the increasing complexity of new databases, retrieving valuable information and classifying incoming data is becoming a thriving and compelling issue. The evidential database is a new type of database that represents imprecision and uncertainty. In this respect, extracting pertinent information such as frequent patterns and association rules is of paramount importance task. In this work, we tackle the problem of pertinent information extraction from an evidential database. A new data mining approach, denoted EDMA, is introduced that extracts frequent patterns overcoming the limits of pioneering works of the literature. A new classifier based on evidential association rules is thus introduced. The obtained association rules, as well as their respective confidence values, are studied and weighted with respect to their relevance. The proposed methods are thoroughly experimented on several synthetic evidential databases and showed performance improvement.     

加权增量关联规则挖掘在通信告警预测中的应用

针对通信网络告警预测中预测精度不高、模型训练效率较低等缺陷,提出告警权值确定方法和基于自然序树（Can-tree）的加权增量关联规则挖掘的通信网络告警预测方案。首先,对告警数据进行预处理,确定告警数据权值并压缩到Can-tree结构中;其次,应用增量关联规则挖掘算法对Can-tree进行挖掘,生成告警关联规则;最后,使用模式匹配的方法对实时告警信息进行预测,并对结果进行优化整理。实验结果表明,基于Can-tree的加权增量关联规则挖掘算法是高效的,利用前次挖掘的结果和信息提高了挖掘的效率,网络告警数据的权值分配方案能够合理地区分告警数据的重要程度,有助于将重要程度高的告警关联规则挖掘出来,并加快过时告警关联规则的淘汰,提高预测的准确度和精度。     

基于聚类和关联算法的学生成绩挖掘与分析

针对某高校信息工程学院学生的学习状况和培养方案的改进需求,以2008-2014级信息工程学院本科生课程成绩为研究对象,提出一种基于改进K-means和引入兴趣度的Apriori的学生课程成绩分析方法。采用改进的K-means算法对成绩信息进行离散化处理,采用引入兴趣度的Apriori算法进行挖掘并根据得到的课程之间的关联规则绘制课程关系网络图,对课程间的关联关系、衔接关系以及课程的重要程度进行分析。应用所述方法进行挖掘能够减少大量没有意义的规则,提高了挖掘结果的准确性,挖掘所得到的结果不仅能够为教学方案的设计和改进提供一定的参考信息,还有助于提高学校的教学质量和学生的学习质量。     

Efficient algorithms for distortion and blocking techniques in association rule hiding

Data mining provides the opportunity to extract useful information from large databases. Various techniques have been proposed in this context in order to extract this information in the most efficient way. However, efficiency is not our only concern in this study. The security and privacy issues over the extracted knowledge must be seriously considered as well. By taking this into consideration, we study the procedure of hiding sensitive association rules in binary data sets by blocking some data values and we present an algorithm for solving this problem. We also provide a fuzzification of the support and the confidence of an association rule in order to accommodate for the existence of blocked/unknown values. In addition, we quantitatively compare the proposed algorithm with other already published algorithms by running experiments on binary data sets, and we also qualitatively compare the efficiency of the proposed algorithm in hiding association rules. We utilize the notion of border rules, by putting weights in each rule, and we use effective data structures for the representation of the rules so as (a) to minimize the side effects created by the hiding process and (b) to speed up the selection of the victim transactions. Finally, we study the overall security of the modified database, using the C4.5 decision tree algorithm of the WEKA data mining tool, and we discuss the advantages and the limitations of blocking.     

MARSW:一种高效的基于滑动窗口数据流关联规则挖掘方法

数据流中的关联规则在预测和在线分析系统中有重要应用.现有的研究大多集中在事务数据模型上,鲜有对数据项之间的关联规则挖掘.由于数据的实时性特点,用户又往往对新产生的数据所包含的信息更感兴趣.为了实时而准确地挖掘最近一段时间内数据项间的关联规则,提出了MARSW(mining association rules on sliding window)算法,利用滑动窗口模型对数据流进行关联规则挖掘.MARSW算法在给定的误差范围内,能够有效去除历史数据的影响,并以有限的空间代价快速挖掘大量数据间存在的关联规则.大量仿真实验结果表明,MARSW算法具有较高的效率和优良的可扩展性.     

一种新的加权关联规则模型

关联规则挖掘可以发现大量数据项集之间隐含的关系,在许多领域得到了广泛应用。目前很多关联规则挖掘算法已经被提出,这些算法一般都认为每个数据项的重要性相同。然而在现实中各个项目的重要性往往不同,从决策者角度出发,他们往往会优先考虑利润较高的项目,而忽略利润较低的项目。论文分析了现有加权关联规则文献中存在的问题,提出了一种新的加权关联规则模型,给出了有效挖掘加权频繁项集的MWFI算法。