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。     

关联规则挖掘中增量式更新算法的研究

关联规则的更新是数据挖掘技术中的一个重要内容,能否有效地挖掘出动态事务数据库中的频繁项目集或关联规则是衡量一个算法好坏的关键因素。该文系统地介绍了关联规则的增量式更新问题,给出或提出了相应的算法,并举例说明了算法的执行过程。     

一种基于改进差别矩阵的属性约简增量式更新算法

粗糙集方法提供了一种新的处理不精确、不完全与不相容知识的数学工具.属性约简是粗糙集理论的重要研究内容之一,已有的大多数属性约简算法主要考虑信息系统(或决策表)不变的情况,有关属性约简的增量式更新算法却报道不多.为此,文中提出一种基于改进差别矩阵的属性约简增量式更新算法,主要考虑对象动态增加情况下属性约简的更新问题.该算法可通过快速更新差别矩阵,在动态求解核的基础上,利用原有的属性约简有效地进行属性约简的增量式更新,因而可提高属性约简的更新效率.理论分析表明,该文提出的算法是有效可行的.     

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。     

适合于高效更新的关联规则挖掘算法

实用的关联规则挖掘算法，为了发现事先未知的关联规则，用户需要通过对最小支持度和最小可信度这两个阈值的不断调整来逐步聚焦到那些真正令其感兴趣的关联规则上去，这将是一个动态的交互过程，因此，迫切需要高效的更新算法来满足用户对较快的响应时间的需求，基于这种思想，并深入分析了已有的诸关联规则挖掘与更新算法且指出其共同存在的问题与不足，在此基础上，提出一种当数据库数据不变时，仅扫描数据库一次，即可反复调整最小支持度和最小可信度进行关联规则挖掘与更新的高效、实用的算法，特别在对关联规则进行更新时，该算法对最初和前次挖掘过程中所得到的信息加以充分的利用，从而对关联规则进行更新时算法的执行效率得到进一步的提高，并对算法进行了分析与讨论．     

基于粗糙集的故障诊断规则增量更新方法

提出了一种新的过程控制故障诊断规则的增量动态更新方法。根据给定的过程控制故障规则的描述,按照规则更新集与控制状态集在约束条件作用下,将规则更新问题归结为一类标准形式,并给出问题的形式化描述;然后以理论修正算法为依据,利用提出的知识更新算法对问题求解以完成知识库的规则更新。最后,给出的仿真实例验证了该方法的有效性和可行性。     

基于矩阵的增量式关联规则挖掘算法

关联规则是数据挖掘的重要研究内容之一。针对数据库数据增加的同时最小支持度发生改变的关联规则更新维护问题,提出了一种基于矩阵的增量式关联规则挖掘算法IUBM。该算法采用简单的数组和位运算,在执行关联规则的更新时,既不用多次扫描数据库,也不产生庞大的候选项集。实例表明,该算法的时间复杂度和空间复杂度大大降低。     

基于滑动窗口的关联规则增量式更新算法

现有的关联规则算法大多都致力于解决增量式更新问题,需要多次扫描数据集,无法对海量数据进行有效处理。针对此问题,提出了基于滑动窗口的关联规则增量式更新算法(SWIUA),利用滑动窗口进行数据更新,挖掘出用户感兴趣的关联规则。该算法只需要扫描原始数据集和更新的数据各一遍,降低了I/O时间;并采用优化策略对候选项集过滤和删除,提高了关联规则的挖掘性能,能有效处理大量新增数据。     

一种新的关联规则增量式更新算法

首先提出了一个新的概念－后备频繁项目集，其次给出了一种新的增量式更新算法NEWFUP，最后介绍了在某中小型商业企业的事务数据库中该算法的实现。     

大数据环境下的多源数据演化更新研究

大数据环境下的多源数据呈现出数据量大、数据种类多、数据变化快的特点,这些特点对数据更新提出了新的挑战。通过分析大数据下多源数据的特点,定义了演化数据的概念,基于此建立了大数据的动态变频遍历更新模型。首先通过抽象数据的演化方式,建立了演化数据的势与稳定性概念,从而推导出更一般的代数意义上的演化运算工具;其次通过将运算工具导入大数据数据更新的实际应用中,推导出基于概率的变频遍历与动态权值模型;最后通过实验验证了在大数据环境下动态变频遍历模型(Dynamic Frequency Conversion Traversal,DFCT) 对多源数据具有较高的更新效率。