基于FP_growth算法的课程相关性的关联规则研究

文章探讨了高校专业课程间的相关性问题,通过对数据挖掘中的关联规则挖掘进行研究,将关联规则挖掘应用于高校教务管理数据库,针对学生的成绩数据进行预处理,并利用FP_growth算法较快地挖掘出隐藏在成绩数据之后课程关联性规则,从而得到了一些合理、可靠的课程相关性规则,为高校的专业课程设置和学生选课提供决策依据。     

关联规则在课程相关性模式中的研究与应用

学分制已成为高等学校教学管理制度发展趋势.在学分制体系下,如何进行教学管理和学生培养成为高校建设的主要问题.本文将Apriori算法应用于高校教务管理信息系统,对学生成绩数据进行分析,探讨了高等学校专业课程间相关性问题,得到了一些合理、可靠的课程关联规则.解释和验证了关联规则结果,针对产生的大量规则引入兴趣度分析,别除了用户不感兴趣的关联规则,从而为学分制体系下的学生选课提供指导.     

基于本体的高校教务课程关联模型

该文利用学校教务部门存放的学生考试成绩,结合基于教务课程本体的数据集成方法和数据挖掘的关联规则算法,建立基于本体的高校课程关联模型,从这些大量数据中挖掘出数据隐藏的规律或数据间的关系,辅助分析课程之间的相关性,从而指导学校课程编制和学生选课。     

有关关联规则挖掘的研究

文章描述了关联规则挖掘的有关概念，对一些应用于Web挖掘的新的关联规则算法进行了分析，简述了关联规则挖掘的应用，展望了关联规则挖掘的未来研究方向。     

基于数据挖掘关联规则在成绩分析中的应用探究

在信息化和数字化大环境下,针对学校大量学生信息和学生成绩数据的管理和应用,基于数据挖掘技术中关联规则的算法做了陈述,通过对Apriori算法和FP-growth算法进行分析对比,阐述了FP-growth算法的优势,采用FP-growth算法对不及格学生成绩数据进行预处理和关联挖掘,得出了数学科目的关联拓扑图,以拓扑图分析了数学与其他科目的关联,对于学校的教务管理有一定的预警作用.     

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。     

典型关联规则挖掘算法的分析与比较

关联规则的发现是数据挖掘的一个重要方面，目前许多研究人员正致力于关联规则的快速开采算法的研究。文中介绍了几种典型的开采大型事务数据库中所有关联规则的算法，特别针对算法过程中产生候选频繁项集的大小和所需扫描事务数据库的次数这两个影响关联规则挖掘效率的关键问题，分析各个算法采用的解决策略及相应的局限性，并比较它们的时间效率和空间效率。最后展望了关联规则挖掘算法的研究方向。     

基于数据挖掘的课程相关性研究与分析

关联规则是数据库中某些特定事件同时发生的概率的简单陈述。关联规则挖掘就是利用特定方法发掘数据库中潜藏的关联规则的过程。文中主要运用数据挖掘中的关联规则和AprioriTid算法，以考务数据库为挖掘对象，并在挖掘过程中充分运用数据库技术适时地对挖掘数据进行筛选，有效地提高了挖掘效率。最后，对课程间的相关性进行了分析和研究，得到了有效性的结论。     

关联规则衡量标准的研究

关联规则采掘是数据采掘中重要的研究课题。针对当前关联规则采掘中可能产生许多无效关联规则的问题，分析其原因，提出在衡量标准中增加有效度，并给出了有效度的定义。根据有效度的大小，将关联规则分为正关联规则、无效关联规则、负关联规则，提出了新衡量标准采相关联规则的算法，并用Visual FoxPro进行了试验。实验表明，新方法能明显减少无效关联规则的数目。     

对数据挖掘中关联规则技术分析

关联规则问题由Agrawal等人在1993年首先提出,之后便引起了广泛的关注。关联规则的挖掘是数据挖掘的一个主要研究内容,也是最活跃的一个分支。本文首先对关联规则现状做了研究,分析了关联规则的种类,阐述了关联规则中的多种算法的实现。     

医学科研立项管理中的关联规则挖掘

关联规则分析是数据挖掘技术中一项非常重要的功能,该文从减少扫描的事务数,给出了一个Apriori算法的改进算法,能有效地提高原Aprjori算法的时间效率。利用改进的Apriori算法对科研立项管理挖掘信息数据库进行关联关系分析,通过分析挖掘到的规则对医学科研立项管理工作中的合理性进行了评价。     

数据挖掘中关联规则的研究与应用

数据挖掘被称为数据库中的知识发现,是一个跨学科的研究领域。关联规则分析是数据挖掘中一个重要的课题,用于发现存在于数据库中的项或属性间的关联联系,这些联系是事先未知且隐藏的。关联规则的研究主要集中在生成频繁项集的挖掘算法,通过对几种主要关联规则的算法分析,利用Apriori算法研究再生资源系统中关联规则的确定,从而实现物资的二次销售。     

利用关联规则建立专家系统的知识库

数据挖掘和专家系统同属人工智能领域。关联规则是数据挖掘的一种方法,它的最典型的应用是超市的购物篮分析。专家系统主要解决的是智能推理问题而关联规则侧重于各个数据项之间有价值的联系。通过对关联规则的Apriori算法及规则的产生方法进行改动,挖掘出可应用于专家系统的知识库中的决策规则,从而找出了利用关联规则挖掘出用于决策的规则的方法。     

关联规则在学生成绩管理系统中的应用

关联规则是数据挖掘的重要的组成部分之一。利用关联规则的Apriori算法,以学生成绩数据库为研究对象,挖掘课程之间的良好关系,为教学管理部门设置安排课程提供理论指导。     

差分隐私保护研究综述

差分隐私保护通过添加噪声使数据失真,从而起到保护隐私的目的,对于一个严格定义下的攻击模型,其具有添加噪声少、隐私泄露风险低的优点。介绍了差分隐私保护的理论基础和最新研究进展,详细阐述了分类、聚类等差分隐私学习方法的最新研究情况,介绍了一个差分隐私保护的应用框架PINQ(privacy integratedqueries),并对未来的研究发展方向进行了展望。     

流式数据上关联规则挖掘研究综述*

当前许多工程领域产生大量高速实时的流式数据,基于流式数据的关联规则挖掘应用广泛,与传统的静态数据相比,流式数据上关联分析面临极大的资源挑战。提出了流式数据上关联规则的形式化定义和基本挖掘算法,系统地回顾了近年来流式数据上关联规则挖掘的研究进展,详细分析了目前挖掘算法研究中存在的主要问题和解决途径,阐述了未来的研究方向。     

无冗余关联规则在财政收支分析中的应用

关联规则反映了大量数据中项目集之间的相关联系,通过关联规则的提取可以对大量的数据进行分析.运用无冗余关联规则的性质对财政收支体系中的重要参数指标进行数据处理和关联规则的挖掘,从而得到最有价值的信息,利用到决策中,具有非常重要的现实意义.     

基于领域本体与概念格的关联规则挖掘

关联规则是数据挖掘中的核心任务之一,近年来国内外对关联规则算法的改进取得了比较大的成果.概念格是由二元关系导出的形式化工具.体现了概念内涵和外延的统一,非常适合于发现数据中的潜在关系,因此关联规则的提取也是概念格的一个主要的应用领域,极大的提高了关联规则的挖掘效率,然而由于缺乏领域知识的指导,所挖掘出的规则有些是无意义的或无法满足用户的需要,所以在规则的提取中需要引入领域知识,而领域本体是领域知识的清晰而结构化的表示,因此提出了应用领域本体对生成的概念格进行调整,从而实现对规则提取的指导,以发掘出高层关联规则以及多层次间的关联规则,以满足用户的需要.     

基于频繁项集挖掘算法的改进与研究

关联规则挖掘是数据挖掘领域中重要的研究内容,频繁项集挖掘又是关联规则挖掘中的关键问题之一。针对已有的频繁项集挖掘算法存在的问题,通过对Apriori算法的分析,提出了Inter-Apriori频繁项集挖掘算法。该算法使用交集策略减少扫描数据库的次数,从而使算法达到较高的效率。实验结果表明,Inter-Apriori算法是Apriori算法效率的2～4倍。     

关联规则挖掘算法研究

关联规则挖掘是数据挖掘的一个重要研究领域。针对经典Apriori算法频繁扫描事务数据库致使运行效率低下的缺点,在研究已有关联规则挖掘算法的基础上,提出一种改进的基于关系矩阵的关联规则挖掘算法。理论分析和实验结果均表明,所提算法是高效的和实用的。