基于词间关系分析的文本特征选择算法

传统的特征选择方法通常使用特征评价函数从原始词集中筛选出最具有类别区分能力的特征。这些方法是基于以独立的词作为语义单元的向量空间模型,忽略了词与词之间的关联关系,难以突出文本内容中的关键特征。针对传统特征选择方法的不足,本文提出一种新的基于词间关系的文本特征选择算法。该方法考虑对文本内容表示起到关键性作用的词,利用关联规则挖掘算法发现词语之间的关联关系,并且通过相关分析对强关联规则进行筛选,最终生成与类别属性密切相关的特征空间。实验结果表明,该方法更好地表示了文本的语义内容,而且分类效果优于传统算法。     

基于时间的模糊关联规则挖掘

关联规则是数据挖掘研究中的一个重要的主题。一些算法都是假设数据中根本的关联基于时间是稳定的。然而，在现实世界领域，数据具有自己的特征，因此关联随着时间发生巨大的改变。现有的数据挖掘算法没有考虑关联的改变，这导致了严重的性能下降，特别是挖掘出的关联规则被用来分类和预测。尽管关联改变的挖掘是一个重要的问题，因为需要基于过去的历史数据来预测未来，现有的数据挖掘算法不符合这样的工作。文中引入模糊数据挖掘算法来发现基于时间的关联规则的改变。基于挖掘出的模糊规则，能预测关联规则在未来如何改变。实验表明了算法的有效性。     

一种改进的Apriori关联规则挖掘算法（英文）

关联规则挖掘是数据挖掘中的一个重要研究内容.为了高效、快速地从事务数据库中挖掘出频繁项集,针对数据挖掘的经典关联规则Apriori算法的瓶颈问题提出了改进的方法.算法将事物数据库映射到布尔型数组中,然后所有的操作都针对数组元素值展开.这样大大减少了数据库的扫描次数.算法利用数组的随机访问特性及布尔型数据的简单"与"操作,直接产生频繁项集,而不产生大量的候选项集.经理论分析和实验结果显示该算法在效率上明显优于Apriori 算法.     

基于隐马尔可夫模型的兴趣迁移模式发现

Web挖掘的一个重要研究方向是发现用户的迁移模式。一般来说,用户的迁移具有某种目的性。这种目的性表现为用户对某种概念的兴趣。文中提出基于隐马尔可夫模型的兴趣迁移模式发现方法,用于发现这种带有某种兴趣的用户迁移模式,这种模式实质上是一种特殊的关联规则。在这种方法中,作者首先根据用户的访问记录定义一个隐马尔可夫模型,然后提出一种新的增量发现算法Increase_R用于发现兴趣迁移模式,同时给出了证明以说明该算法可以发现所有的兴趣迁移模式。     

大型数据库中多层关联规则的元模式制导发现

本文将元查询制导技术与多层关联规则发现技术结合起来，提出了发现多层关联规则的自顶向下逐层递进风格的元模式制导方法．元模式是一个预先确定待发现规则的形式的规则模板，从而可引导数据的发掘过程．     

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。     

迭代自组织数据法在数据关联中的研究与改进

针对目标密集环境下易出现的误关联问题,提出了ISODATA算法的解决方法.该算法将目标点迹的特征参量构成待分类的样本空间,构建了基于ISODATA算法的模型,利用航迹的历史状态数据进行关联运算,有效地解决了多目标密集环境下的误关联问题,分析了记忆步长与计算量和关联结果的关系.通过仿真研究说明了算法在目标密集环境下的有效性.     

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。     

一种基于进制转换的数值型关联规则分析方法

针对基于区间划分的数值型关联规则分析方法存在的问题,提出了一种基于进制转换的分析方法.此方法将十进制的属性值转换为二进制,并将二进制数值的每一位映射为二个布尔型属性,在此基础上,再采用布尔型关联规则分析方法.相对于基于区间划分的方法,此方法的优点是转化过程不存在失真,且能有效地降低后续分析过程的时间复杂度.     

基于Vague集的Apriori算法的改进

当前研究的关联规则挖掘隐含着一个假定：待挖掘数据库中每条记录的全部属性都是完整的。然而现实中得到的数据可能是不完整的,在这种情况下将无法使用传统的算法。为了解决这个问题,引入Vague集并给出基于Vague集的支持度和置信度定义,将经典的Apriori算法推广到Vague集上。最后通过一个例子来验证算法的有效性。