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,该方法首先利用聚类算法k-means对量化属性进行合理分区,将量化属性转化为布尔型,其次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,最后对挖掘出的规则进行分析和运用。就业信息数据实验证明,本文所提方法对就业信息进行挖掘是有效的、可行的,它为高校教育提供了指导和参考依据,在高校教育领域具有较好的应用前景。     

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。     

基于聚类的关联规则在CRM中的应用

针对具体超市销售行业CRM进行分析,将聚类技术运用到关联规则发现领域,利用聚类技术压缩交易数据库,从而减少挖掘算法需要处理的数据量以提高挖掘效率．在企业现有数据的基础上进行实现,得到更好的挖掘效果。     

聚类与关联规则在信息舞弊识别中的应用

针对现代电子数据迅速膨胀,传统的审计方式已经无法应对海量的业务数据,试图将数据挖掘中的聚类和关联规则算法引入审计领域．在研究聚类与关联规则算法的含义及相关算法—K-Means和Apriori算法的基础上,提出了一种基于聚类与关联规则的审计模型,并以某市城镇医疗保险的审计为例,首先利用聚类分析进行数据筛选,然后利用关联规则挖掘海量数据之间潜在的关系,为审计提供线索．文章通过案例分析为数据挖掘在信息舞弊识别领域的应用提供参考．     

关联规则在高校系统中的应用

运用数据挖掘中的关联规则分析了高校教学管理中教师信息之间的隐藏关系.并对数据进行了标准化处理,采用优化的Appriori算法进行数据挖掘.通过事例分析了教师的教学工作量和发表论文之间的隐含关系,可为教学管理提供决策支持.     

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。     

一种改进的量化关联规则算法在零售业中的应用

以超市的量化属性为研究对象,提出一种基于模糊聚类和减类聚类的量化关联规则算法.该算法基本思想是把模糊聚类技术融入到离散化过程中,使数据离散到合理的区间,再利用经典的布尔关联规则挖掘算法Apriori进行挖掘.实验证明,这种方法能够有效挖掘量化关联规则,提高交叉销售的可能性.     

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。     

模糊聚类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经常要遇到的问题。该文利用改进的FCM进行模糊聚类，主要是解决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向类别型属性转换，类别型属性再转化为布尔型属性，这样，便可以从许多关联规则的挖掘方法中找出有意义的规则。     

连续数据的分割及关联规则发展

关联规则的挖掘是一个重要的数据挖掘问题，目前的算法主要是研究基于支持－信任框架理论的关联规则挖掘，但是基于支持－信任框架理论的关联规则只适用于交易类型的数据库，然而现实的数据库中有许多连续数据，经典的关联规则就不适用了。该文介绍一种对连续数据集进行预处理过程，即对数据库中的数据项进行距离划分，并给出基于聚类方法的算法设计思想。     

关联规则挖掘在检验信息系统中的应用研究

随着医疗检验手段的飞速发展,检验信息系统（LIS）由此被开发和运用。为了能在该系统中充分利用医学数据和医生诊断经验,发现隐藏在这些数据背后的新的有学术价值的医学信息,介绍了关联规则挖掘方法在当前检验信息系统中的应用模式。其中详细说明了数据挖掘步骤和在对检验数据进行挖掘时关联规则挖掘算法的选用。     

基于属性互信息熵的量化关联规则挖掘

在量化关联规则挖掘中存在量化属性及其取值区间的组合爆炸问题,影响算法效率。提出算法BMIQAR,通过考察量化属性间互信息熵,找到具有强信息关系的属性集,从中得到频繁项集以产生规则。实验表明,由于在属性层进行了剪枝,因此缩减了搜索空间,提高了算法的性能,且能得到绝大多数置信度较高的规则。     

关联规则算法在教育信息数据挖掘中的应用

简要介绍数据挖掘中的关联规则算法,并将之运用到学生成绩的数据挖掘中,挖掘高数成绩与高考成绩之间的潜在关系。提出学生大学期间的高数成绩和高考成绩并没有直接的关系,大学生活是一个全新的里程碑,不要因为自己的高考成绩而妄自菲薄。     

数量关联规则发现中的聚类方法研究

应用聚类方法研究了数量关联规则提取过程中的连续属性离散化问题,由于现存的方法倾向于将支持度较高的区域划分为多个区间,对高偏数据效果不理想,针对这一问题,提出聚类算法ＰＫＣＣＡ,与传统快速聚类不同,ＰＫＣＣＡ在迭代过程中动态调整中心个数,避免造成小支持度问题,并继承了传统快速聚类适合大样本的优点。     

具有数量特征的利润约束关联规则发现

关联规则发现是数据挖掘的重要研究内容之一,具有广泛的应用。在以前的研究中,关联规则发现算法一般都没有考虑项目的销售数量。而在实际中,相关联项目的销售总利润对于商家来说非常重要。因此,在关联规则发现中引入销售数量的利润约束问题显得很必要。文章针对此问题提出了项集事务利润和事务利润的概念,并对项集利润和支持期望的概念进行了重新定义,接着给出了具有数量特征的利润约束关联规则挖掘问题的性质和定理,最后根据该问题的性质给出了高效的求解算法。     

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.     

关联规则在教学信息中的应用研究

为了提高教学管理预知性，提高人才培养质量，以收集整理的学生基本信息、历史成绩数据及各项素质测评成绩为数据源，运用经典的关联规则挖掘技术进行挖掘，分析对学生成绩产生影响的因素等。通过分析算法和系统的实现结果表明，采用关联规则挖掘技术分析学生成绩的影响因素，可靠且可行。     

数据挖掘中关联规则算法的研究

近些年来,计算机技术迅猛发展带动信息技术的兴起,数据挖掘技术被广泛地应用到各个领域当中。这个新兴的领域为数据挖掘技术提供了最为活跃的算法,即关联规则算法,其能够对于大量的数据和信息进行处理,通过将繁琐的项集从数据库中找出来,经过整理之后,将项集之间的关联关系建立起来,从中挖掘出有价值的数据信息,以在一定程度上满足不同领域的需要。本文针对数据挖掘中关联规则算法进行研究。     

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。