自上而下的关联规则采掘方法

1.前言在数据集中采掘关联规则是数据采掘的一个重要内容,[2]中提出了一种自底向上的数据采掘方法,即把数据集的各个属性从概念层次的最底层向高层进行“泛化”,但这种方法有二个缺点:首先,它的每一层都有一个阈值,但这些阈值之间是密切相关的;并且,对于不同数据集,这些阈值之间的关系也不同。在数据采掘的过程中,要调整这些阈值以取     

怎样获得有效的关联规则

关联规则采掘是数据中重要的研究课题，针对当前关联衡量标准的某些问题，笔者分析了产生的根源，提出了二种改进方法。     

关系数据库中多层次关联规则的采掘及其实现

讨论了在关系数据库中进行多层次的关联规则采掘的概念和在关系数据库中的实现方法。提出并实现了利用关系数据库的特点,高效地得到满足要求的多层次关系规则,并进行了必要的讨论和总结。     

交易数据库中关联规则采掘的预处理

分析了交易 (事务 )数据库中的数据结构特点 ,提出了在交易数据库中关联规则采掘的一个预处理过程 ,并且实现了该过程。通过预处理使得处理后的数据库记录个数减少了 ,从而在一定程度上提高了关联规则采掘的效率     

数据采掘与知识发现综述

来自应用、社会、经济等各方面的迫切需求，以及不断升温的研究兴趣，使知识发现和数据采掘成为目前一个不断发展的领域。本文介绍了知识发现和数据采掘技术的产生背景、基本任务、方法及其应用，同时还简要介绍了目前已有的成熟的KDD系统及其将来的发展。     

基于集合运算的关联规则采掘算法

1 引言近年来,随着商业、政府和科学数据库的急剧增长和存贮设备的不断升级,给我们带来了大量的数据。面对这“堆积如山”的数据,用传统的数据分析手段无法理解并有效地利用它们。人们希望找到能够自动地、智能地理解分析它们的方法,于是就出现了数据采掘技术。它的提出为我们有效识别出存在于这些数据中的有效的、新颖的、具有潜在效用的乃至最终可理解的模式提供了可靠的科学方法,并成为当今国际人工智能和数据库等领域新兴且热门的研究课题。在事务数据库中发现关联规则是由R·Agrawal等人首先提出的。目前己成为数据采掘领域中的一个非常重要的研究课题。有一个关联规则的例子就是“面包牛奶(20％,80％)”,其直观意义为在所有的购买交易中,同时购卖面包与牛奶的概率为20％,在所有购卖面包的交易中有80％交易同时也购买牛奶。关联规则的应用主要包括顾客购物分析、目录设计、商品广告邮寄分析、追加销售、仓储规划、网络故障分析等。     

数据采掘与知识发现：回顾与展望

如何大规模数据库中发掘深层次的知识和信息，而不仅仅是那些从传统数据库查调方法所获得的平凡内容，这方面的研究正受到越来越多的关注。     

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。     

交易数据库中带有空间性约束的关联规则采掘

文章分析了交易数据库中关联规则的不足,提出了一种带有空间性约束的关联规则模型,分析了模型的性质并且通过扩展 Ａｐｒｉｏｒｉ算法实现了该模型     

Technology report: PHAROS: Business adviser

The Single European Market is both the single largest opportunity and the single largest threat to face European companies in the 1990s. The survival of many companies will depend on how well they address these opportunities and react to these threats. First, they need to understand the Single Market issues and legislation, but expertise in these areas is expensive and rare. Many organisations, particularly smaller ones or those affected by the recession cannot afford to pay for this experience.This paper describes PHAROS, an Expert System which advises small to medium sized companies on how changes in Single European Market and Environmental legislation will affect their business. PHAROS was developed by National Westminster Bank and Ernst & Young Management Consultants. To date, PHAROS has cost over £2 million to develop and distribute.PHAROS achieved international acclaim when it was presented at the American Association of Artificial Intelligence (AAAI) 1992 conference as one of the most Innovative Applications of Artificial Intelligence. PHAROS was also a medal winner in the 1992 British Computer Society Awards.     

Endpaper: FRPOLY: A benchmark revisited

The FRPOLY Lisp performance benchmark [3] was based on a circa-1968 piece of code for computing powers of polynomials. We address two questions: (a) What algorithm would you use if you really wanted to compute powers of polynomials fast? and (b) Given that Common Lisp supports many types of data structures other than the simple lists used for the benchmark, what more efficient representations might be appropriate to use for polynomials?     

双加权 L p 范数RPCA模型及其在椒盐去噪中的应用

鲁棒主成分分析（Robust principal component analysis，RPCA）模型中秩函数和 L 0 范数的求解是非确定性多项式（Nondeterministic polynominal，NP）难问题，凸近似模型的求解通常会导致过收缩。本文结合加权方法和 L p 范数提出了一种基于双加权 L p 范数的RPCA模型，利用加权 S p 范数低秩项和加权 L p 范数稀疏项分别对RPCA框架中的低秩恢复问题和稀疏恢复问题进行建模，使其更接近秩函数和 L 0 范数最小化问题的解，提升了矩阵秩估计和稀疏估计的准确性。为了验证模型性能，本文利用图像的非局部自相似性，结合相似图像块组的低秩性与椒盐噪声的稀疏性，将双加权 L p 范数鲁棒主成分分析模型应用于去除椒盐噪声过程中。定量与定性的实验结果表明，本文模型性能优于其他模型，同时奇异值过收缩分析也表明本文模型能够有效抑制秩成分的过度收缩。