用户聚类和多最小支持度关联规则的推荐系统

在几种流行的推荐算法的基础上,本文提出了一种新的融合用户聚类和关联规则的算法来改善推荐效果。该算法在经典的关联规则算法Apriori基础上引入多最小支持度的概念,并在关联规则算法之前进行用户聚类,在聚类算法中使用了包含字符属性的混合属性距离函数,提高聚类效果。在此算法的基础上,设计并实现了一种新的基于图书馆的推荐系统。实验证明该算法改善了数字图书馆中新书的推荐质量,去除了部分只含高浏览量图书的无意义规则,并趋向于发现相近种类图书的关联性。     

K—means聚类算法的研究

为解决原始K-means算法随机选取初始聚类中心对聚类结果的影响较大的不足,提出了改进算法.采取基于采样选取聚类中心距离的规则,进行多次选择决定最终的初始聚类中心,使得改进后的算法受初始聚类中心选择的影响达到最小;同时,在选取初始聚类中心后,对初值进行数据标准化处理.将改进的K-means算法应用于销售行业,结果显示,改进后的算法比原始的算法在效率上得到了提高.     

基于模糊关联规则与减法聚类的神经模糊建模

针对许多复杂系统的输入变量之间存在的相互关联,提出了一种基于聚类与模糊关联规则的神经模糊建模方法.这种方法采用基于聚类的模糊关联规则挖掘算法来进行输入变量的选择,之后,再采用基于减法聚类的神经模糊建模方法建模.最后,还将这种建模方法应用于实际建模问题,结果表明这种方法在保证模型精度符合建模要求的情况下,减少了模型输入个数,降低了建模的复杂程度.     

基于聚类的周期关联规则的数据挖掘

介绍了关联规则挖掘的研究情况,提出了基于聚类的周期关联规则挖掘算法,分析了该算法存在的问题并提出解决方案,展望了关联规则挖掘的未来研究方向.     

基于余弦角距离的蚁群边缘检测算法

提出一种基于余弦角距离的蚁群边缘检测算法,该算法利用改进的Sobel算子来计算梯度值,综合像素的灰度、梯度、领域特征进行特征提取,以余弦角距离为半径进行聚类,同时通过设置初始聚类中心、启发式引导函数和信息激素提高聚类速度.实验表明该算法优于Sobel、Canny算子和基于欧氏距离的基本蚁群分割算法,是一种有效的方法.     

基于多层挖掘策略的特征选择及在科技文献分类中的应用

提出一种应用于科技文献分类的文本特征选择方法.该方法运用了聚类与关联规则的思想,对文本特征进行逐层选择.同时为提高K-means算法的聚类性能,对K-means算法做了相应的改进,通过为算法的终止条件设定标准值来减少算法迭代次数,减少学习时间;通过删除由信息动态变化而产生的冗余信息,来减少动态聚类过程中的干扰.采用KNN分类器进行对比实验,实验结果表明,该特征选择方法在科技文献分类方面有较高的准确率.     

基于全置信度关联分析的web层次聚类方法

为了便于用户浏览网页信息，基于全置信度关联分析，提出了一种网页层次聚类的方法。该方法采用向量空间模型表示网页文档，将文档看成事务，文档的词汇视为事务中的项，根据关联挖掘算法发现文档之间的强关联规则产生基本类，然后利用图划分的算法完成网页文档的层次聚类。在关联规则产生过程中采用全置信度量发现强关联模式，规则的产生不受支持度阈值设置的影响，即使支持度闽值设置为零，也能发现强关联模式，有效地消除了弱相关的交叉支持模式。     

基于自适应模型的数据库入侵检测方法

提出了一种基于自适应模型数据库入侵检测方法(ASIDS).该方法基于矩阵和最小支持度函数的AprioriZ关联算法,依据在训练和自适应入侵检测阶段产生数据库的操作特征,用户根据实际需求动态调整最小支持度函数的值,更高效挖掘操作特征.结合层次聚类算法产生动态规则库,通过计算待检测数据操作特征与规则库中聚类的距离是否超过聚类间最大距离来判断异常,以避免已有检测系统中判断"边界尖锐"问题,并实时把正常操作特征归入动态规则库,通过对报警信息的关联分析降低误警率.实验结果表明,ASIDS能够实时地进行入侵检测,具有很高的检测率和较低的误警率.     

基于数据挖掘技术的智能信息处理系统

着重阐述在数据挖掘阶段提出并改进基于关联规则的Apxioxi并行算法、基于分类的判定树归纳算法和基于聚类的K簇算法，并将几种算法综合应用到智能信息处理过程中。     

基于聚类矩阵的CM—Apriori算法研究

针对关联规则中Apriori算法的不足,提出了一种基于聚类矩阵的CM-Apriori新算法.该算法只需扫描事务数据库一次,就直接按事务项数生成聚类矩阵,每次只需对部分聚类矩阵进行运算,就可以生成频繁项集.这大大减少了扫描数据库的次数和计算成本,从而有效提高了算法的运算效率,并通过实例说明了它是一种有效的关联规则挖掘方法.