关联规则挖掘的基本算法

介绍了加权模糊关联规则挖掘算法的基本思想及实现步骤，并给出挖掘算法的多种策略。在此基础上，分析了加权模糊关联规则与模糊关联规则、布尔型属性加权关联规则、布尔型属性关联规则之间的内在联系，并指出加权模糊关联规则挖掘算法是一种最基本的关联规则挖掘算法，蕴涵了其它3种关联规则挖掘算法。     

加权关联规则挖掘算法的研究

讨论了加权关联规则的挖掘算法，对布尔型属性，在挖掘算法MINWAL（O）和MINWAL（W）的基础上给出一种改进的加权关联规则挖掘算法，此算法能有效地考虑布尔型属必的重要性和规则中所含属性的个数，对数量型属性，应用竞争聚集算法将数量型属性划分成若干个模糊集，产系统地提出加权模糊关联规则的挖掘算法，此算法能有效地考虑数量型属性的重要性和规则中所含属性的个数，并适用于大型数据库。     

基于数据场的量化关联规则挖掘方法设计

目前关联规则挖掘多集中在布尔型关联规则的挖掘,对量化关联规则的挖掘研究较少,传统方法多是将量化属性离散化,进而转化为布尔型关联规则的挖掘。为了克服传统方法中区间划分过硬问题,本文设计了基于数据场的量化关联规则挖掘方法,并使用数据场的场量定义支持度和置信度的计算公式。该方法充分考虑数据集中数据的非完备性以及各个数据对数据挖掘任务所发挥的不同作用,可使得挖掘得到的关联规则更精确。     

数量关联规则挖掘及其典型算法分析

关联规则的发现是数据挖掘的一个重要方面,而数量关联规则的发现不同于传统的布尔型关联规则。介绍了数量型关联规则挖掘的方法、步骤以及存在的问题,分析了几种具有代表性的数量型关联规则挖掘算法,提出了IQAM算法,并对数量型关联规则的挖掘进行了展望。     

预期关联规则集及其基数的定量分析

给定数据库,在不考虑支持度和可信度情况下,事先能否预知最终会挖掘出多少条关联规则,这是个值得研究的问题。为此文中提出预期关联规则的概念,使上述问题转化成为如何计算预期关联规则集基数的问题。分别给出布尔型和数量型两种情况下的计算公式。对于数量型数据集,讨论当转换为布尔型数据后各个项集元素呈现的互斥性质。利用此性质导出一个膨胀矩阵和膨胀算法。该方法相对简洁地解决数量型数据集预期关联规则集基数的计算问题。计算和测试结果都表明,预期关联规则总量随着互斥元素的增加呈现下降趋势。这些结果对于深刻理解关联规则挖掘的实质,进而研发更加高效的挖掘算法十分有益。     

模糊关联规则的数据挖掘

1 引言关联规则是指包含了一组对象间特定关联关系的规则。由于关联规则的挖掘有着广阔的应用背景,因此,人们对关联规则的挖掘算法作了大量的研究。从离散的布尔型变量、枚举型变量分析到连续的数值型变量分析;从平面的单事务项内部关系的分析到立体N维的多事务项之间关系的分析;从集中式的整体的静     

基于数据场的量化关联规则挖掘研究与实现

目前,对布尔型关联规则的挖掘研究已较成熟,而对量化关联规则的挖掘研究相对较少,并且采用的挖掘方法多是将量化属性进行离散化处理,进而转化为布尔型关联规则进行挖掘。但传统的对量化属性离散化处理的方法存在区间划分过硬的问题,因此提出一种基于数据场的量化关联规则挖掘方法。该方法避免了区间划分过硬问题,同时也充分考虑了数据集中数据的非完备性以及每个数据对数据挖掘任务所发挥的不同作用。实验证实了该方法的有效性。     

遗传算法在数量型关联规则提取中的应用

关系数据库中数量属性的关联规则挖掘问题是关联规则挖掘中经常要遇到的问题。该文利用遗传算法解决FCM模糊聚类问题主要是为了避免FCM算法的局部极小问题。利用聚类的结果可以使数量型属性关联规则转换成类别型属性,类别型属性再转化为布尔型属性,这样,即可以使用许多已有关联规则挖掘方法挖掘出有意义的规则。     

数据库中关联规则的并行挖掘算法

提出了数据库中挖掘关联规则的并行算法,探讨了相关的数据结构,并对算法进行了定性分析。该算法不仅适用于布尔型属性,而且也适用于非布尔型属性。     

关系数据库中关联规则挖掘的一种高效算法

近年来，关系数据库被越来越多的行业采用，大量的生产、管理、科研等信息被收集存储，因此在关系数据库中进行有效的关联规则挖掘的需求日益增强。文中根据事务数据库中布尔型关联规则挖掘的相关理论和方法，在分析了关系数据库中关联规则挖掘具有的特殊性的基础上，从利用结构化查询语言(SQL)对关系数据库简便而高效的操作出发，提出了一种在关系数据库中挖掘多值型、多维型关联规则的简易算法。实验证明该算法具有较高的执行效率和一定的实用性。     

发掘多值属性的关联规则

属性值可以取布尔量或多值量.从以布尔量描述的数据中发掘关联规则已经有比较成熟的系统和方法,而对于多值量则不然.将多值量的数据转化为布尔型的数据是一条方便、有效的途径.提出一种算法,根据数据本身的情况决定多值量的划分,进而将划分后的区段映射为布尔量,在此基础上可发掘容易理解且具有概括性的、有效的关联规则.     

分布式环境下约束性关联规则的快速挖掘

研究人员针对单机环境提出了约束性关联规则的挖掘算法,但它们不适用于分布式环境.为此本文讨论分布式环境下约束性关联规则的快速挖掘技术,提出一种基于分布式环境的约束性关联规则快速挖掘算法DCAR,其中包括局部约束性频繁项目集挖掘算法MLFC和全局约束性频繁项目集挖掘算法MGFC.该算法根据布尔约束条件产生向导集,采用一种新的候选项集生成函数Reorder-gen,该函数通过向导集高效地产生分布式环境中满足约束条件的、数量较少且完备的候选项集,并且求解全局约束性频繁项集过程中,传送局部候选项集支持数的通信量为O(n),从而提高了算法的挖掘效率.将本文提出的算法加以实现,实验结果表明DCAR算法高效可行,其效率大约是DMA-IC算法的2-3倍.     

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。     

量化关联规则的几种开采算法及其比较

关联规则的发现是数据挖掘的一个重要方面，而数量关联规则的发现不同于传统的布尔型关联规则。属性值的离散映射是挖掘定量关联规则的一个重要环节，离散映射中属性值区间的划分粒度是影响数据挖掘质量的一个重要因素。该文介绍几种发现大型事务数据库中数量关联规则的算法，并对他们加以比较。     

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。     

面向用户的空间拓扑关联规则挖掘

在挖掘空间拓扑关联规则时,由于现有挖掘算法不能够提取满足用户特定需求的空间拓扑关联规则,若使用传统约束性关联规则挖掘算法,则存在大量的重复计算和冗余候选项;提出一种面向用户的空间拓扑关联规则挖掘算法,其适合在多空间关系模式下,挖掘满足用户特定需求的拓扑关联。该算法通过拓扑关系编码法将空间关系事务转换成整数,用非目标自由空间对象类的集合序列数值递增的方法,索引构建候选频繁项,并用布尔运算计算支持数。在挖掘满足用户特定需求的空间拓扑关联规则时,该算法是快速而有效的。     

基于神经网络与组成份分析的关联规则挖掘

通过对关联规则挖掘的分类研究,提出了关联规则挖掘的分类定义方法,从项集的相关性出发,阐述了一种基于ANN-PCA的快速、高效的挖掘算法,从而扩展了关联规则挖掘的应用。实验证明了该算法的有效性。