应用模糊本体的广义关联规则挖掘算法

模糊集与本体结合的数据挖掘方法得到了广泛的关注。为了丰富数据挖掘效果以及数据挖掘得出的规则的完整性,本文在模糊本体的挖掘算法基础上,提出了模糊本体中叶子结点的相似度定义以及不同语义层次所含项目集的数目定义多重最小支持度,提出了基于模糊本体的广义关联规则算法。对比实验证明,基于模糊本体的广义关联规则算法的挖掘具有更强的可读性,获得的语义关联规则更加丰富,促进了在广义关联规则挖掘过程中使概念泛化更加合理,提高了算法效率。     

基于本体的关联规则挖掘研究

目前许多关联规则挖掘系统存在缺点是仅仅在数据内容上产生规则,缺乏领域知识,产生大量的无用的结论.为了解决以上问题,本文提出基于本体的关联规则挖掘.它的优点是:对于数据的更清晰的概括;产生更少的规则;可以进行多层次的泛化,得到更有意义的结果,揭示更一般的概念;可以用来挖掘层次与层次之间的关联规则.本文对基于本体的关联规则挖掘中的3个主要的问题进行了研究:商品分类本体的构建方法和原则;对于产生的规则使用R-有趣进行精简,并且进行适当得简化;使用改进的Apriori算法实现基于本体的关联规则挖掘的算法.     

基于本体的XML关联规则挖掘方法

针对传统的数据挖掘技术不能直接应用到半结构化的XML数据挖掘问题,给出了基于本体的XML关联规则挖掘方法。该方法引入领域本体和哈希技术来改进产生频繁项目集的操作和生成关联规则的操作,并且使用哈希表存储相关的领域本体,从而将数据库操作转化为对XML内存树的操作,通过理论分析和实验验证了方法的挖掘效果,论述了该方法的优点。     

基于层次关联规则的日志本体事件领域关系学习*

为发现Web 使用记录中潜在的用户访问行为,提出了一种基于层次关联规则的日志本体事件领域关系学习方法。该方法利用日志本体中复合事件与原子事件之间的整分关系确定事务粒度,将关联规则挖掘算法扩展到事件层次结构上以发现候选频繁用户使用规则,在此基础上修剪冗余和无效的规则后抽取出事件间潜在的领域关系,达到丰富日志本体的目的。最后进行仿真实验,实验结果表明了该方法的可行性和有效性。     

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.     

语义驱动的关联规则挖掘算法研究

为了使传统的关联规则挖掘算法在结合到具体领域时具有更强的适应性,提出了DS-Apriori算法。该算法建立在语义本体的基础上,根据项集内部的语义相关度动态的确定该项集的最小支持度,并采用了项集语义相关度的增量计算方法。实验结果表明,DS-Apriori算法在很大程度上提高了关联规则挖掘算法的效率和效果。     

OLAP关联规则挖掘

该文提出一种新的关联规则挖掘方法,OLAP关联规则挖掘。OLAP关联规则挖掘是OLAP技术和一些高效的关联规则挖掘算法的结合。OLAP关联规则挖掘方法是一种灵活的、多维的、多层次的高性能方法。该文首先介绍了O-LAP关联规则挖掘的结构,最后详述了OLAP关联规则挖掘的具体实现。     

基于DL关联εL++规则挖掘的归纳知识发现

为了从不完整和动态的数据中发现知识,提出了一种基于DL关联◢εEuclid Math OneLAp◣++△规则和归纳推理的一致知识发现。首先通过对描述逻辑◢εEuclid Math OneLAp◣++△规则和演化本体的知识动态性的分析得到了演化本体中的归纳推理学习,它是基于原子集支持度和权值以及关联◢εEuclid Math OneLAp◣++△规则的置信度,通过挖掘◢εEuclid Math OneLAp◣++△规则来实现的;其次,通过获得具有最小支持度和最小权值的代表性关联DL◢εEuclid Math OneLAp◣++△规则,实现对重要规则的精确识别,从而实现归纳知识发现。采用来自于某市的历史数据的实验结果表明,提出的方法相比于现有的主流方法在演化本体和动态语义数据中的知识发现,不仅有很好的扩展性,而且有更高的准确性。     

基于OpenMP的Gibbs抽样正负关联规则算法研究

大数据集中挖掘正负关联规则是关联规则挖掘的重要研究内容。负关联规则挖掘存在挖掘关联规则数量多、难度大等问题,因此针对大数据集中挖掘正负关联规则提出一种基于OpenMP的Gibbs抽样正负关联规则挖掘算法。该算法通过Gibbs抽样从原始数据集中挖掘得到重要的关联规则,并在Gibbs抽样的转移概率计算部分利用OpenMP并行技术进行加速。在只挖掘重要正负关联规则的同时,缩短挖掘时间,有效提高正负关联规则挖掘的效率。在UCI蘑菇数据集中使用该算法,实验结果显示该算法在大数据集中具有较好的表现。     

一种基于异构系统发现日志本体关联规则的方法

构建日志本体之上的访问模式关联规则是语义Web使用挖掘的主要任务之一.在DL-safe规则的限定下,将日志本体和一阶应用规则相结合,构成异构日志知识库,以提高Web日志系统的知识表示和推理能力.在此基础上借助ILP理论从异构日志知识库中挖掘出频繁用户访问模式,并生成访问模式关联规则,以发现用户访问行为之间更丰富的潜在关联知识.该方法提高了语义Web使用挖掘的质量,为改进站点结构提供了更有效的决策知识.实验结果证明了该方法的可行性和有效性.     

基于周期规律的加权时态关联规则挖掘算法

数据挖掘过程中只考虑数据项权重或者只考虑时态语义会导致挖掘结果不全面。针对该问题,对加权关联规则、时态关联规则和时态数据周期规律进行研究,将权值、K-支持期望和周期等概念引入到时态关联规则中,提出一种基于周期规律的加权时态关联规则挖掘算法。以某管理系统审计数据为例进行实验验证,结果表明该算法能够准确地挖掘出数据库中的加权时态关联规则,与加权关联规则算法相比,在时间复杂度相同的情况下能使关联规则的挖掘结果更加全面。     

一种元规则指导的股票联动关联规则挖掘算法

在经典Apriori算法的基础上，提出了一种考虑了时间因素的股票联动关联规则挖掘算法。该算法首先对股票原始数据采用滑动时间窗口技术进行了预处理，得到了适合挖掘的事务集；然后使用SQL语言详细描述了关联规则的生成过程。根据证券行业的实际情况，采用了元规则指导的挖掘方法，从而使挖掘结果聚焦于投资者感兴趣的规则形式上，并且也提高了挖掘过程的效率。     

基于动态分组的增量式挖掘关联规则更新算法

数据挖掘的一个重要方面是挖掘关联规则，目前已提出了包括经典算法Apriori在内的许多算法，而在实际关联规则的挖掘过程中，用户将需要不断调整用于描述用户兴趣程度的阈值：最小支持度和最小置信度。如何维护已发现的关联规则变得至关重要。该文提出的GIUA算法解决了在数据库D不变的情况下，最小支持度和最小置信度发生变化时关联规则的维护问题，最大效率地利用原有结果，通过动态分组将连接步和修剪步的循环减到最少，并尽可能地将挖掘过程并行化。     

关联规则挖掘的优化算法

频繁项集挖掘是关联规则挖掘的核心部分,目前大多数关于关联规则挖掘的研究都集中于如何提高频繁项集挖掘的效率,然而在实际应用中,决策者面对的是最终从频繁项集中生成的规则集,因此优化规则的生成过程及生成规则同样值得重视。本文提出频繁项集的子集树这一模式来生成关联规则,不仅简化规则的生成过程还可缩小决策者面对的规则集,更便于规则的增量更新。     

数据挖掘技术及其在旅游线路规划系统的应用

研究了旅游线路规划的现状．介绍了在旅游线路规划中使用的方法,引入了关联规则挖掘的基本概念,以及分析了其主要过程。并通过分析关联规则挖掘中的Apriori算法及其改进算法的基础上,提出了一种将Apriori改进算法与旅游线路规划挖掘结合的概念,通过与Apriori算法相比较,提高了系统的效率,并给出了一种典型应用,获得了较理想的应用效果。最后结合当前的旅游网站特点,充分应用网站的信息,设计了一个旅游线路规划的挖掘系统。     

基于改进多层次模糊关联规则的定量数据挖掘算法

针对单一层次结构实现规则提取具有规则提取准确性不高、算法运行时间长、难以满足用户使用需求的问题,提出一种基于改进多层次模糊关联规则的定量数据挖掘算法。采用高频项目集合,通过不断深化迭代的方法形成自顶向下的挖掘过程,整合模糊集合理论、数据挖掘算法以及多层次分类技术,从事务数据集中寻找模糊关联规则,挖掘出储存在多层次结构事务数据库中定量值信息的隐含知识,实现用户的定制化信息挖掘需求。实验结果表明,提出的数据挖掘算法在挖掘精度和运算时间方面相较于其他算法具有突出优势,可为多层次关联规则提取方法的实际应用带来新的发展空间。     

约束关联规则的增量式维护算法

关联规则的挖掘是一个重要的数据挖掘问题,在关联规则的挖掘过程中加入约束条件,是实现用户参与挖掘的一种方式。在有约束的关联规则挖掘过程中,用户会不断调整约束条件,并要求更新挖掘结果。针对这种情况,提出了约束关联规则的增量式维护算法Separate_M,当约束条件发生变化时,在原有挖掘结果的基础上实现增量式更新,较重新运行Separate算法而言,减小了搜索空间,节约了时间,提高了挖掘效率。     

一种快速并行关联规则算法研究及仿真*

在比较了当前几种并行关联规则挖掘算法的基础上,对并行关联规则算法进行了比较全面的分析,为了解决其性能和效率方面存在的问题,提出了一种快速挖掘策略的并行处理算法（FPARM）,并对这种快速并行关联规则算法的性能作了比较分析。经过计算机仿真实验的性能比较,采用快速并行算法的性能和效率提高了,达到了算法优化的目的。     

基于动态规划方法优化关联规则发现

为了得到准确可信任的关联规则,将关联规则的发现归纳为多阶段决策问题,利用动态规划方法对关联规则发现进行优化分析.通过条件概率分析,计算出了动态规划状态转移方程和最优期望代价方程,并得到了关联规则发现的决策策略.该策略不需要每一步计算条件概率,其实现平稳方便.最后给出了一个应用例子,并通过模拟实验将该方法与增量关联规则挖掘进行了比较分析,实验结果证明了该方法的有效性.     

加权关联规则的改进算法

论文讨论了加权关联规则问题,针对布尔类型的加权关联规则问题提出一种改进算法。该算法首先利用普通的关联规则算法产生频繁集,然后在该频繁集的基础上产生加权频繁集。同时,给出了最优的最小支持度设定方法,保证了普通关联规则算法所产生的频繁集为加权频繁集的超集。该算法有较高的效率,并且能够有效利用已有的关联规则算法。