一种高效关联规则挖掘EARM算法的研究

针对类Apriori关联规则挖掘算法的不足，将以往关联规则算法予改进，提出一个更有效率的关联规则挖掘算法EARM算法。通过试验评估，该文所提算法的挖掘效率比Apriori及其改良算法要快2到5倍。     

一种用于挖掘正、负关联规则的改进Apriori算法

本文提出一种传统的关联规则挖掘主要着眼于正关联规则，即形如A→B的规则的挖掘，而对负关联规则的研究非常有限，然而实践表明在关联规则的各个应用领域中，负关联规则同正关联规则有着同样的重要性。Apriori算法是挖掘关联规则的一个经典算法，但是它只局限于挖掘正关联规则，本文对该算法进行改进提出了Ex-Apriori算法，新算法不仅能挖出负关联规则，而且由于兴趣度的引进，能够剔除大量无趣的关联规则。实验表明该种算法有效且可行。     

基于VC 的Apriori规则算法的优化实现

关联规则算法是数据挖掘的核心。本文首先介绍了关联规则的定义,接着在现有Apriori算法的基础上分析了存在的不足,并提出了一个关联规则算法的改进模式,从而提高Apriori算法的效率。     

Apriori算法的改进

在数据挖掘中关联规则中是一个重要的研究方向。Apriori算法是关联规则中最著名的算法。，本文分析了Apriori算法存在的不足，与可以改进的方向。并提出了一种基于压缩事务项的改进方法，以提高Apriori算法的效率，     

基于Apriori算法的多循环关联规则挖掘综述

介绍了基于Apriori算法的关联规则挖掘的研究状况，对一些典型采掘算法进行了分析和评价，总结和归纳了国内外学者对Apriori的改进，展望了关联规则挖掘的未来研究方向。     

数据挖掘的关联规则建立与算法改进

关联规则作为一种数据挖掘的工具，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。本文提出利用频繁K-项集导出关联规则后得到的有用信息指导频繁(K 1)一项集产生的方法，通过矩阵、事务剪枝和分区查找有效的提高了Apriori算法的效率。     

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。     

基于多维关联规则的教学管理系统的开发

Apriori算法是一种找频繁项集的基本算法,它常常被用于单维关联规则的数据挖掘,本文结合数据立方体技术对Apriori算法做了一些变形,给出了一种适用于维间关联规则挖掘的算法,并将此算法结合Apriori算法,在教学管理系统中挖掘出混合维间的关联规则.     

一种改进的Apriori算法

数据挖掘中的关联规则挖掘能够发现大量数据中项集之间有趣的关联或相关联系,特别是随着大量数据不停地收集和存储,从数据库中挖掘关联规则就越来越有其必要性。通过对关联规则挖掘技术及其相关算法Apriori进行分析,发现该技术存在的问题。Apriori算法是关联规则挖掘中的经典算法。对Apriori算法做了改进。借助0—1矩阵给出了计算项集的支持度计数的更快方法,同时还简化了Apriori算法中的连接和剪枝操作,从而在时间和空间上提高了Apriori算法的效率。     

关联规则算法在客户关系管理系统中的应用

探讨了挖掘关联规则的善本算法─Apriori算法以及空间关联规则MMS (Multiple Minimum Support)算法,并探讨了这两种算法在客户关系管理系统中的应用.