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。     

挖掘关联规则中的Apriori算法的研究

文章是基于大型销售数据库研究了关联规则挖掘问题,分析和探讨了Ａｐｒｉｏｒｉ算法,并给出了该算法的实现思想,同时通过例子说明算法的执行过程。     

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。     

多最小支持策略的关联规则挖掘方法

关联规则的数据挖掘是当今数据挖掘领域的重要内容之一。国内现有的关联规则挖掘算法大多是在最小支持度的限定条件下，发现挖掘数据的各属性间所有关联型知识，而事实上由于基于不同数据属性的事件的发生频率是不同的，这样仅通过唯一的支持度限定的挖掘就无法正确反映挖掘对象本身的特性，本文从客观事实的本质出发，在原有Apriori算法的基础上，采用了一种多支持度的关联规则挖掘策略，最后通过实验结果表明，这种挖掘方法能够更加准确和高效地进行知识挖掘。     

广义的关联规则挖掘算法

本文提供了在数据挖掘中的关联规则的分类方式，对一些典型算法进行了分析，最后提出了广义的关联规则挖掘算法AR_SET，利用集合“或”、“与”运算求解频集（FrequentItemset)，提高了挖掘的效率和速度。     

一种挖掘多维关联规则的有效算法

1.引言挖掘大型事务数据库中的关联规则是数据挖掘研究的重要课题之一。由于关联规则在商务分析与决策、相关分析、分类等方面具有广泛应用,自提出以来一直受到广泛重视。一维关联规则的挖掘已有不少有效算法(如文,[2,3,4],综述参见文[l])。多维关联规则不仅考虑项集间的关联,而且考虑项集的维约束。这使得挖掘出的规则更具实用性,同时也增加了规则挖掘的难度。基于规则模板的挖掘,使用元规则限定挖掘的关联规则形式,降低了挖掘难度,但也使得其应用受到一定限制。采用类Apriori算法的方法通过求频繁谓词集得到多维关联规则,具有很好的可扩展性,能够处理大量数据,但其处理维谓词的1/O开销较大。利     

关联规则挖掘算法的改进

为了提供一种更加准确高效的关联规则算法,在传统的Apriori算法的基础上引入分而治之的理念和加权的思想。先把数据库分成互不相交的块,根据需求分析从每一个块中产生用户感兴趣的子集,把所有的子集合并成挖掘对象,再利用普通的关联规则算法产生频繁项集,最后在该项集的基础上产生加权频繁项集。该算法基本上克服了传统Apriori算法的缺点,从而大大地提高了运算效率,最大限度解决了“项集生成瓶颈”问题,并且使得生成的关联规则更加科学、准确。     

关联规则挖掘算法的改进

为了提供一种更加准确高效的关联规则算法,在传统的Apriori算法的基础上引入分而治之的理念和加权的思想.先把数据库分成互不相交的块,根据需求分析从每一个块中产生用户感兴趣的子集,把所有的子集合并成挖掘对象,再利用普通的关联规则算法产生频繁项集,最后在该项集的基础上产生加权频繁项集.该算法基本上克服了传统Apriori算法的缺点,从而大大地提高了运算效率,最大限度解决了"项集生成瓶颈"问题,并且使得生成的关联规则更加科学、准确.     

挖掘关联规则中Apriori算法的一种改进

对挖掘关联规则的Apriori算法关键思想以及性能进行了研究。给出了该算法的一个改进算法，该改进算法提高了原算法的性能。     

关联规则挖掘算法的分析与研究

在对Apriori算法和FP-树算法进行分析的基础上,将最新提出的基于双库协同机制的Maradbcm算法与其进行了比较,指出了传统的"支持度-置信度"框架在挖掘算法上的局限性,明确了主观度量与客观度量相结合的必要性。     

一个基于兴趣度的关联规则采掘算法

关联规则是当前数据采掘研究的主要领域之一,获取具有更高价值的规则是该领域的一个研究重点,针对目前大多数采掘算法只能发现正项的关联规则和仅仅将兴趣度作为规则过滤工具的问题,在先前研究的基础上,提出了通过改进有关定义和引进反向项集的概念来进一步发现包含负项的关联规则的思想,并给出了相应的算法,最后,对这个算法给出了一定的评价和实例分析。     

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     

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。     

一种快速有效的分布式开采多层关联规则的算法

关联规则（association rules）是数据开采的重要研究内容,建立项目的层次关系可以发现更加有意义的规则,主要研究分布式环境下开采多层关联规则的问题,提出了一种快速有效的ＭＬＦＤＭ算法,采用的技术包括分布式编码交易表的有效修剪,侯选集的产生及修剪技术,侯选项集的全局支持数的计算方法等,论述了它的原理,具体实现方法及其几个改进算法,实验结果表明,算法ＭＬＦＤＭ是有效的,并对ＭＬＦＤＭ算法的几个变种进行了讨论。     

扩展型关联规则和原关联规则及其若干性质

已有的关联规则模型所反映的基本上是频繁事件中所隐藏的一种积极或肯定关系，而没有反应其隐含的否定关系，在实际应用中，这种否定关系与肯定关系一样也是很重要的，在此论述的扩展型关联规则模型就能反映上述两种关系，据此可以得到更多的规则知识，此外，由于Aproiri关联规则生成方法产生的关联规则具有较大的冗余性，论述的原关联规则可以消除关联规则的这种冗余特性，挖掘原关联规则既能大大减少关联规则的数,目,又能节省规则生成时间，把扩展型关联规则和原关联规则相结合，可使得对扩展关联规则的挖掘更加有效，实验结果也支持了上述结论。     

数据挖掘中关联规则的一种高效Apriori算法

在数据挖掘中关联规则的频繁项集计算时,通过一种改进的Apriori算法,即用升序替代原来的按字母次序对项集进行排序,可大大精简候选频繁集,而且能保持频繁集的完整性,减少计算开销。     

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     

挖掘关联规则中Apriori算法的改进

本文基于对挖掘关联规则中Apriori算法的研究,给出两种改进的算法。     

线性关联规则研究

首先讨论了布尔型关联规则的不足,然后提出了线性关联规则的概念,详细讨论了线性关联规则的挖掘方法,具体给出了线性关联规则的挖掘过程,分析了线性关联规则的作用。还给出了实验结果,并将线性关联规则和布尔型关联规则及定量关联规则进行了比较。     

基于等价类规则树的高效关联规则挖掘算法

传统的类关联规则挖掘方法在挖掘完整的规则数据集时往往需要消耗很长的时间。为了解决这个问题,提出一种高效的基于等价类规则树的类关联规则挖掘算法。首先,通过分析等价类规则树挖掘类关联规则算法存在的耗时问题,设计一个树结构存储数据集的频繁项集;接着,基于这棵树推导出一些修正树上节点和减少节点信息计算量的定理;最后,利用这些定理得到一个有效的适用于挖掘类关联规则的算法。实验结果表明,与其他较为先进的基于等价类规则树的关联规则挖掘算法相比,所提算法更加高效。