事务间数值型关联规则的挖掘

关联规则的发现是整个数据挖掘课题中的重要组成部分。在归纳现有关联规则研究的基础上提出了事务间数值型关联规则的数据挖掘问题,并对该问题进行了定义。应用模糊理论和相关的数据挖掘技术,提出了解决该问题的E—QA算法,并以实例对算法可行性进行验证,指出了算法存在的一些问题以及今后解决这些问题的思路。     

量化关联规则的模糊方法开采

本文讨论一种用模糊集合理论处理量化属性的方法,从而经关联规则的模糊开采方法,并对量化关联规则的开采查询语言作了说明。     

一种高效的多层和概化关联规则挖掘方法

通过对分类数据的深入研究,提出了一种高效的多层关联规则挖掘方法:首先,根据分类数据所在的领域知识构建基于领域知识的项相关性模型DICM(domain knowledge-based item correlation model),并通过该模型对分类数据的项进行层次聚类;然后,基于项的聚类结果对事务数据库进行约简划分;最后,将约简划分后的事务数据库映射至一种压缩的AFOPT树形结构,并通过遍历AFOPT树替代原事务数据库来挖掘频繁项集.由于缩小了事务数据库规模,并采用了压缩的AFOPT结构,所提出的方法有效地节省了算法的I/O时间,极大地提升了多层关联规则的挖掘效率.基于该方法,给出了一种自顶向下的多层关联规则挖掘算法TD-CBP-MLARM和一种自底向上的多层关联规则挖掘算法BU-CBP-MLARM.此外,还将该挖掘方法成功扩展至概化关联规则挖掘领域,提出了一种高效的概化关联规则挖掘算法CBP-GARM.通过大量人工随机生成数据的实验证明,所提出的多层和概化关联规则挖掘算法不仅可以确保频繁项集挖掘结果的正确性和完整性,还比现有同类最新算法具有更好的挖掘效率和扩展性.     

模糊关联规则的加权挖掘算法

从实际应用角度，在对模糊关联规则挖掘算法进行改进的基础上，提出了模糊关联规则的加权挖掘算法（FARMA），以及简化的关联规则的加权挖掘算法（SFARMA），通过实验验证了算法的可行性，并对算法的性能进行了讨论。     

基于模糊聚类的模糊关联规则挖掘

通过模糊聚类，从已知数据中得到数据点对数据类的隶属度，并以此进行模糊关联规则的挖掘，从而使得模糊关联规则的发现不依赖于人类专家预先给出的隶属度函数；并且实验表明。聚类并没有带来显著的顿外计算时间，对于大型数据库，文章提出的方法是有效的。     

一种自适应的模糊关联规则挖掘算法

关联规则是数据挖掘的重要研究内容之一。传统的关联规则挖掘算法仅适于处理二元属性与分类属性。为更好地处理数量属性,提出了一种自适应的基于模糊概念的量化关联规则挖掘算法。该算法克服了传统的离散分区法的不足,改进了已有模糊关联规则支持度的计算方法。引入了一种基于聚类的隶属函数自动生成方法,使得模糊关联规则的发现不依赖于人类专家给出的隶属函数,使得关联规则的表示自然、简明,有利于专家理解。实验表明该算法是有效的。     

从Fuzzy Taxonomic数值型数据库中挖掘一般化关联规则

挖掘关联规则是数据挖掘研究的一个重要方面．基于属性内通常还存在更高层次的抽象，即呈现出Taxonomic结构这一事实，Srikant和Agrawal等人提出了在确定的Taxonomic结构下挖掘泛化布尔型关联规则的挖掘算法．但在实际应用中，往往这种Taxonomic结构还呈现出模糊性；着重研究了在这种模糊Taxonomic结构下如何从数值型数据库中挖掘一般化关联规则的问题，提出了，一种新的Fuzzy Taxonomic数值型数据库模型，并提出了相应的规则发现方法，两个实例数据库表明了新模型的有效性和灵活性．     

挖掘支持度和兴趣度最优的数量关联规则

讨论了数量关联规则提取过程中的连续属性离散化方法和规则的有趣性问题，给出了数量关联规则的客观兴趣度的度量函数，提出用模板匹配方法挖掘用户感兴趣的规则，以解决数量关联规则有趣性的主观评测，研究了一种挖掘支持度和兴趣度最优的形如(A∈[v1，v2]∧)C1)推出C2(其中A为连续属性，C1、C2为类别属性)的数量关联规则方法，并将该方法应用于股市行情分析，实验结果表明是非常有效的．     

一种模糊多层关联规则挖掘算法

针对传统数据挖掘中的“尖锐边界”问题,采用将模糊理论和关联规则挖掘技术相结合的思想,在改进传统Apriori算法的基础上,结合多层关联规则挖掘的方法,提出了一种模糊多层关联规则挖掘算法。对模糊多层关联规则挖掘的基本概念进行了定义,详细描述了模糊多层关联规则挖掘算法。最后用Visual FoxPro6．0语言实现了该算法程序,通过交易数据库挖掘实验表明算法是有效的。     

一种新的多值属性关联规则挖掘算法

为解决多值属性的关联规则挖掘问题给出相似属性集合矩阵的概念,提出一种新的多值关联规则挖掘算法——Qarmasm算法。该算法无须扩展事务属性,约简效率高,能够直接生成候选频繁项集,求出其支持度,有效地发现频繁项。给出算法的描述及其复杂性分析。与经典算法的对比表明,该算法具有明显的优势。     

数据挖掘中的模糊聚类实现技术

提出了一种利用模糊集理论进行聚类的技术，详细阐述了在关系数据库中利用此技术实现聚类的方法和过程，并给出了程序流程和程序实现；经过聚类后的数据对象，既可以从中获取分类知识和信息，也可以为下一步的关联规则挖掘提供低噪声的数据源。     

量化关联规则挖掘及算法

提出了一种新的量化关联规则挖掘算法QAR及其增量式更新算法IUQAR．算法以模糊集理论为基础，利用模糊概念表示量化属性属性间的关联关系，克服了传统的离散分区方法的不足，使得规则的表示自然、简明，有利于专家理解。同时，给出的算法IUQAR，有效地解决了规则的维护问题。     

基于Web数据挖掘的高效关联规则研究

随着网络资源越来越丰富,Web数据挖掘逐渐成为因特网上资源有效利用的研究热点。本文提出通过对因特网上非结构化数据的XML格式进行筛选等处理,然后转化为结构化数据存储在SQL Server数据库中。并在此基础之上利用关联规则发现以生成最小关联规则集来代替完全关联规则集,就可以有效地剪除弱关联规则,大幅度地减少候选频繁项目目集,从而提高规则发现效率。最后,在传统经典算法Apriori基础上,利用弱关联规则的向上关闭特性设计了一个相应的高效算法。     

基于时间的模糊关联规则挖掘

关联规则是数据挖掘研究中的一个重要的主题。一些算法都是假设数据中根本的关联基于时间是稳定的。然而，在现实世界领域，数据具有自己的特征，因此关联随着时间发生巨大的改变。现有的数据挖掘算法没有考虑关联的改变，这导致了严重的性能下降，特别是挖掘出的关联规则被用来分类和预测。尽管关联改变的挖掘是一个重要的问题，因为需要基于过去的历史数据来预测未来，现有的数据挖掘算法不符合这样的工作。文中引入模糊数据挖掘算法来发现基于时间的关联规则的改变。基于挖掘出的模糊规则，能预测关联规则在未来如何改变。实验表明了算法的有效性。     

基于时间的模糊关联规则挖掘

关联规则是数据挖掘研究中的一个重要的主题。一些算法都是假设数据中根本的关联基于时间是稳定的。然而,在现实世界领域,数据具有自己的特征,因此关联随着时间发生巨大的改变。现有的数据挖掘算法没有考虑关联的改变,这导致了严重的性能下降,特别是挖掘出的关联规则被用来分类和预测。尽管关联改变的挖掘是一个重要的问题,因为需要基于过去的历史数据来预测未来,现有的数据挖掘算法不符合这样的工作。文中引入模糊数据挖掘算法来发现基于时间的关联规则的改变。基于挖掘出的模糊规则,能预测关联规则在未来如何改变。实验表明了算法的有效性。     

挖掘语言值关联规则

讨论了大型数据库上数量属性的关联规则问题.为了软化论域的划分边界,应用相关的模糊c-方法(relationalfuzzyc-means,简称RFCM)算法确定正态模糊数的两个参数,并借助正态模糊数模型来划分数量属性的论域,由此生成一系列的语言值关联规则.另外,给出了语言值关联规则的挖掘方法.由于语言值能很好地表示抽象的概念,从而使得挖掘出的关联规则更抽象、更容易被人理解.     

基于前缀树的模糊关联规则挖掘算法

针对布尔型关联规则不能表达挖掘对象中模糊信息的关联性,给出一系列有关模糊关联规则的定义,并提出一种基于前缀树的模糊关联规则挖掘算法。通过构造前缀树来压缩存储模糊模式候选集和频繁集,有效地节约了内存开销,且只需扫描数据库2遍。实验结果表明,该算法是有效的。     

一种量化关联规则挖掘算法

提出了一种新的挖掘量化关联规则的方法.该方法使用聚类算法把数据库中的交易记录分成若干个簇,把簇投影到数值型属性所在的域,形成重叠的、有意义的区间.实验结果显示,这种方法能够有效地挖掘量化关联规则,并且能够发现以前的算法可能遗漏的重要的规则.     

基于关联规则的图像数据挖掘研究

随着图像获取和图像存储技术的迅猛发展,能够方便得到大量的图像数据。为了能充分从这些图像数据中分析并提取有用信息,研究了数据挖掘中的新型领域——图像数据挖掘技术。主要介绍了数据挖掘、图像数据挖掘及关联规则在图像数据挖掘中的应用。     

有效支持度和模糊关联规则挖掘

关联规则挖掘是数据挖掘的重要研究内容，将模糊的思想融入数据挖掘，形成的模糊关联规则的挖掘是当前关联规则研究的新方向，本文在模糊关联规则的挖掘中提出了有效支持度的概念，使其用于频繁模糊模式集的挖掘、挖掘的结果更为简洁和合理，同时挖掘的效率也得到了提高。