共查询到10条相似文献,搜索用时 31 毫秒
1.
改进的Eclat数据挖掘算法的研究 总被引:7,自引:0,他引:7
本文针对两种常用的频集算法Apriori和FP-growth,指出了它们各自的优缺点.数据库的表示方法主要有两大类:水平数据表示和垂直数据表示.通常,采用垂直数据表示的算法的性能优于采用水平数据表示的算法.然后在深入分析Eclat算法的基础上提出了它的一种改进形式的Eclat.改进后的Eclat的计算性能优于Eclat和FP-Growth算法. 相似文献
2.
研究了图书馆的个性化推荐系统应用问题,针对常用的协同过滤技术不适用于大数据量的情况,在深入研究关联规则Eclat算法的基础上,为了高效挖掘和优先搜索有效信息,提出了一种改进算法,并将算法应用于图书推荐系统的仿真实验中,新算法充分利用了垂直数据表示和交叉计数的高效优势,直接在垂直数据表示的数据集上通过广度优先搜索和交叉计数产生频繁模式,通过对流通数据库中的借阅记录进行挖掘得到关联规则,产生读者感兴趣的书目.仿真结果表明算法可以在大数据量的情况下实现关联规则的高效挖掘,在图书推荐系统中取得了良好的应用效果. 相似文献
3.
Apriori算法是关联规则挖掘中的经典算法,针对Apriori算法的不足进行了一些改进。新算法使用垂直数据格式,并改进了产生候选项的连接方法。为了研究股票板块的联动关系,将改进算法应用于股票板块指数分析中。实验结果表明,改进算法能快速发现板块之间的联动关系,对股市分析和投资决策有一定的指导作用。 相似文献
4.
一种改进的Apriori算法 总被引:4,自引:2,他引:4
数据挖掘中的关联规则挖掘能够发现大量数据中项集之间有趣的关联或相关联系,特别是随着大量数据不停地收集和存储,从数据库中挖掘关联规则就越来越有其必要性.通过对关联规则挖掘技术及其相关算法Apaod进行分析,发现该技术存在的问题.Apriori算法是关联规则挖掘中的经典算法.对Apriori算法做了改进.借助0-1矩阵给出了计算项集的支持度计数的更快方法,同时还简化了Apriori算法中的连接和剪枝操作,从而在时间和空间上提高了Apriori算法的效率. 相似文献
5.
6.
数据挖掘中的关联规则挖掘能够发现大量数据中项集之间有趣的关联或相关联系,特别是随着大量数据不停地收集和存储,从数据库中挖掘关联规则就越来越有其必要性。通过对关联规则挖掘技术及其相关算法Apriori进行分析,发现该技术存在的问题。Apriori算法是关联规则挖掘中的经典算法。对Apriori算法做了改进。借助0—1矩阵给出了计算项集的支持度计数的更快方法,同时还简化了Apriori算法中的连接和剪枝操作,从而在时间和空间上提高了Apriori算法的效率。 相似文献
7.
8.
9.
10.
一种新的改进的Apriori算法 总被引:2,自引:0,他引:2
本文通过时关联规则挖掘算法Apriori算法的分析和研究,指出了其在具体应用中存在的主要问题.提出与以往不同的改进策略:在约简数据库事务的同时,生成频繁项目集和保存具有非频繁子集候选项目集的项集,在提高频繁项目集即关联规则生成效率的同时,进一步减少了对候选项目集的重复验证.最后将改进的Apriori算法应用到一个Web交叉销售系统,并和经典的Apriori算法进行了比较,取得了较好的效果. 相似文献