一种高效的关联规则增量式更新算法

发现频繁项目集是关联规则挖掘的关键问题,而发现的过程是高花费的。因此,要求对增量挖掘算法进行深入研究。这使得关联规则的更新成为数据挖掘技术中的一个重要内容。文中就关联规则的增量式更新问题进行了探讨,针对最小支持度发生变化时的增量式更新算法(IUA)的不足,提出了改进算法(AIUA),在保证算法有效的同时提高了效率。     

一种新的基于FP-Tree的关联规则增量式更新算法

挖掘关联规则是数据挖掘研究的一个重要方面,目前已经提出了许多算法用于高效地发现大规模数据库中的关联规则,而维护已发现的关联规则同样是重要的.针对在事务数据库增加和最小支持度同时发生变化的情况下,如何进行关联规则的更新问题进行了研究,提出了一种新的基于频繁模式树的关联规则增量式更新算法,并对该算法进行了分析和讨论.     

一种关联规则增量更新算法

针对事务数据库的内容不断增加后相应关联规则的更新问题，提出了一种简单高效的增量式关联规则挖掘算法SFUA，并和已有的FUP算法进行了分析比较。     

改进的增量式关联规则维护算法

挖掘关联规则是数据挖掘研究的一个重要方面，而维护已发现的关联规则同样是重要的。在分析现有的关联规则算法IUA的基础上，指出了该算法的不足和错误之处，并加以改正，进而提出了一种改进的增量式更新算法EIUA。EIUA算法解决了在数据库D不变的情况下，当最小支持度和最小置信度二阈值发生变化时如何高效更新关联规则的问题。实验分析表明了新算法的有效性和优越性。     

一种关联规则增量式挖掘算法研究

现有关联规则更新算法都是基于支持度-置信度框架而提出的,仅针对大于最小支持度闭值的频繁项集进行挖掘。为了提高告警关联规则的完整性和准确性,在相关度AARSC算法基础上,提出了一种增量式挖掘UAARSC算法(Updating-AARSC)。该算法对增量计算进行了改进,可以发现频繁和非频繁告警序列间的关联规则。     

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。     

大规模数据集的增量式关联规则挖掘

商业活动和工程实践中通常会积累一些大规模的携带重要信息的数据,由于这种数据集经常有更新且数据量较大,在对它们进行增量式关联规则挖掘时,若采用基于传统的Apriori算法进行计算,一方面难以取得较好的效率;另一方面支持度设置过低会产生大量的冗余规则,设置过高则会把一些支持度不高但有用的规则过滤掉而导致算法对这些新规则感应迟钝。因此,借助遗传算法的相关机理,同时结合自然界的免疫进化理论及相关仿生机制,提出一种IOGA（Immune Optimization based Genetic Algorithm,基于免疫优化的遗传算法）增量式关联规则挖掘方法。通过实验表明,该方法应用于大规模数据集的增量式关联规则挖掘时,可以及时地感知规则的变更并发现有用的规则,减少了冗余规则的产生,同时挖掘效率也有明显提高。     

数据挖掘中基于负边界思想的关联规则增量式更新算法

关联规则的挖掘是数据挖掘领域中的一个重要领域,而如何高效地从更新后的数据库中对已经推导出的关联规则进行更新是具有非常重要的价值的。文章首先分析了现有增量式更新算法的优缺点,然后明确定义了负边界的概念,接着提出了一种基于负边界思想的关联规则增量式更新算法,并详细描述了这一算法的实现原理和实现过程,然后给出程序伪代码,最后通过实验验证了算法的有效性。     

数据挖掘中常用关联规则挖掘算法

文中首先介绍了数据挖掘中关联规则的经典算法——Apriori算法。再从宽度、深度、划分、采样、增量式更新等几个角度对关联规则挖掘进行了分类讨论。然后运用文献查询和比较分析的方法对常见的关联规则挖掘算法进行了概述,主要包括FP—growth算法、DHP算法、Partition算法、FUP算法、CD算法等算法。最后对关联规则挖掘的发展远景进行了展望。     

基于属性变化的增量关联规则挖掘

关联规则的挖掘是数据挖掘研究中的一个重要课题,目前已经提出了许多用于发现海量事务库中关联规则的算法以及更新已经发现的关联规则的算法。但是在关联规则的更新算法中,都是基于支持度变化和事务库变化的研究,目前没有人研究当事务库中的属性发生变化时,如何高效地更新关联规则的问题。针对这种情况,提出了三种基于属性变化的增量关联规则挖掘算法ACA+（Attribute Change Algorithm）和ACA-（ACA1-）,从而解决了该问题。