多维多层次挖掘关联规则在商品房交易中的应用

讨论了一种在关系数据库中挖掘关联规则的方法．该方法利用关系数据库的特点．有机地组织概念层次树技术、关联规则挖掘技术进行多维多层次挖掘关联规则．挖掘满足要求的多维关联规则、多层次关联规则、交叉层次关联规则。     

基于下钻操作的多层关联规则挖掘算法研究

多层关联规则涉及多个抽象层中的项,它是通过有概念分层的关联规则挖掘而产生的.传统的方法仅考察每个概念层次内是否有用户感兴趣的规则,而忽略了不同概念之间的规则.另外,很多挖掘出的规则并不是用户感兴趣的.提出的关联规则的下钻操作沿袭了OLAP中下钻的概念,它是通过对已经挖掘得到的用户感兴趣的规则进行再分析,挖掘出用户感兴趣的子关联规则,从而达高效挖掘多层关联规则的目的,且这种规则不局限于同一概念层次内.     

面向属性归纳的特征规则挖掘方法的改进

在浩瀚的数据资源中发现并提取有价值的知识是目前数据库、人工智能等学科研究中的共同热点问题．面向属性的归纳是一种广泛使用的特征规则的发掘算法,本文对特征规则挖掘的面向属性归纳方法进行改进,提出了“分类信息库”的概念,给出了基于这种概念的新算法．利用这种算法可以发现很多原方法发现不了的新知识,使特征规则的发现有了更大的实用价值．实例分析表明,该算法能够准确地发现特征规则。     

一种基于WEB站点的多媒体数据挖掘方法

随着Web技术及Web数据挖掘技术的成熟和发展，对Web中多媒体的挖掘已经开始成为人们研究的一个热点。基于国内现阶段对Web数据挖掘的研究大多停留在对文本的挖掘，而对多媒体挖掘的研究还很少的状况，采用了基于内容的多媒体相联规则方法——最大出现次数算法，对多媒体数据进行挖掘．先建立了挖掘的基本框架，然后具体介绍这种方法，并详细描述了挖掘的基本流程，最后展望了该领域将要作进一步研究的内容．     

多层次关联规则的快速挖掘算法

数据挖掘被认为是解决“数据爆炸”和“数据丰富,信息贫乏”的一种有效方法。关联规则是数据挖掘的重要研究方向。本文提出了多层次关联规则的一种快速挖掘算法,利用抽样从概念层次树的中间开始挖掘,以提高挖掘的速度。     

面向属性归纳的特征规则挖掘方法的改进

在浩瀚的数据资源中发现并提取有价值的知识是目前数据库、人工智能等学科研究中的共同热点问题.面向属性的归纳是一种广泛使用的特征规则的发掘算法.本文对特征规则挖掘的面向属性归纳方法进行改进.提出了"分类信息库"的概念.给出了基于这种概念的新算法.利用这种算法可以发现很多原方法发现不了的新知识,使特征规则的发现有了更大的实用价值.实例分析表明,该算法能够准确地发现特征规则.     

基于粗糙集理论不完备信息系统的数据挖掘

提出了一种基于推广的粗糙集理论直接在不完备信息系统上进行数据挖掘的方法，并给出了该方法的算法和实例．该方法利用粗糙集理论直接对不完备信息系统进行知识约简，然后根据获得的约简集建立知识层次树，利用规则的支持度阂值s0和置信度阈值c0从知识层次树的压缩搜索空间中提取不完备系统的规则集，该方法保持了原始数据和数据挖掘所获得的知识的真实性，另外，还提出了知识规则的上、下支持度，上、下置信度，规则粗糙度等概念，以便指导用户更好地利用数据挖掘所获得的知识．     

基于Rough集的单维布尔关联规则的挖掘算法

利用Rough集理论中关于等价类的概念，提出了单维布尔关联规则问题挖掘算法，考虑到关联规则设定单一最小支持度阈值的局限性，提出使用多个最小支持度的办法进行频繁项集的发现，利用兴趣度对单维布尔关联规则进行评价.     

基于专家系统的工程机械故障层次模型

建立故障诊断专家系统的关键问题之一是要解决知识的表达问题,即建立适合的知识模型,针对工程机械故障诊断的特点,建立了基于专家经验的故障层次分类模型,专家优先检查的结点作为专家经验结点首先被搜索,在判断规则中引入了分布式规则集和加权规则的概念：规则不存在于统一的规则库中,而是附着于各结点;对权重较高的规则进行优先判断,并利用诊断结果自动修改权值,利用面向对象程序设计（OOP）技术实现该模型,使工程机械故障诊断专家系统的诊断效率和适应性得到极大的提高。     

基于粗糙集理论的分类规则发现

研究了利用粗糙集理论中核的概念,求取信息系统的最小简化策略,给出了从数据库中发现分类规则的方法。     

挖掘典型的语言值关联规则

通过给定的最小支持率和最小信任度来挖掘语言值关联规则往往会得到很多规则,因此用户很难获得真正关注的语言值关联规则．本文提出一种挖掘典型语言值关联规则的算法,此算法将挖掘得到的语言值关联规则按照相同的后件进行分组,然后对每个分组中的语言值关联规则根据规则之间的不相似性进行聚类．最后从每个类中挑选出代表类原型的语言值关联规则作为典型的语言值关联规则．典型的语言值关联规则是语言值关联规则集合中最具有代表意义的规则．     

基于正、负关联规则的数据挖掘探讨

传统的关联规则只关注于挖掘出项集间的正关联规则,但在实际应用中负关联规则同样隐含着有价值的信息.本文首先给出了正、负关联规则的定义及支持度和置信度的函数表示,重点分析了关联规则中"支持度—置信度"架构的局限性,提出了利用项集的相关性来解决关联规则中正、负矛盾规则出现的问题,同时针对置信度的设置进行了研究分析,最后对负关联规则挖掘的算法进行了讨论,旨在为关联规则的研究奠定基础.     

挖掘关注的语言值关联规则

为了解决利用RFCM算法划分数量型属性，并通过组合语言值进行语言关联规则挖掘中出现的规则数量太多，以及难于获得用户真正关注的规则等问题，提出了一种改进的语言值关联规则挖掘算法。通过最大隶属原则将记录在数量型属性上的取值转换为语言值，然后转换成布尔型属性关联规则挖掘问题。同时，给出一个能够度量语言值关联则简洁性和新奇性关注程度（兴趣度）的计算函数，用于减少选取关注语言值关联规则的工作量。采用本文提出的方法对一组实例数据进行实验，得到了关注程度较高的语言值关联规则。所采用的方法能适用于含有大量数量型属性的数据库，并能有效地获取用户关注的规则。     

Research on Algorithm for Mining Negative Association Rules Based on Frequent Pattern Tree

Typical association rules consider only items enumerated in transactions. Such rules are referred to as positive association rules. Negative association rules also consider the same items, but in addition consider negated items （i. e. absent from transactions）. Negative association rules are useful in market-basket analysis to identify products that conflict with each other or products that complement each other. They are also very convenient for associative classifiers, classifiers that build their classification model based on association rules. Indeed, mining for such rules necessitates the examination of an exponentially large search space. Despite their usefulness, very few algorithms to mine them have been proposed to date. In this paper, an algorithm based on FP tree is presented to discover negative association rules.     

应用立方体工具计算频繁维谓词集的方法

关联规则是数据挖掘中重要的挖掘模式,数据立方体很适合挖掘多维关联规则,多维关联规则挖掘中最重要的工作是频繁维谓词集的获得.具体应用OLAPServices工具有效获得频繁维谓词集的具体方法现有书籍介绍较少.通过一个高校学生信息系统的实际例子,对经由数据立方和MDX语言对有效计算频繁维谓词集的方法进行了有意的探索.     

基于模糊数值约束的关联规则挖掘

很多时候一个事务记录中所包含的信息除了项目以外,还包括与这些项目相关的数值信息,这些数值信息同样可以作为关联规则的一种约束而存在,基于上述问题,文中提出了一个基于模糊数值约束的关联规则挖掘方法,实验结果表明该方法具有较好的伸缩性。     

时态关联规则研究与应用

传统关联规则挖掘很少考虑关联规则的时间适用性.时态关联规则是指带有时态约束的关联规则,每个关联规则都有着其成立的时间区域.结合其他算法的特点,提出了基于Fisher聚类的时态关联规则挖掘算法(TApriori算法),它能够动态地发现关联规则以及关联规则有效的时间区域.实验结果证明该算法是合理有效的.最后,结合具体CRM项目的特点,讨论了在CRM引入数据挖掘的体系结构,给出了一个应用.     

基于量化概念格的关联规则挖掘

在概念格的内涵中引入等价关系并将其外延量化 ,得到量化概念格。利用量化概念格可以清晰地表示知识 ,从而便于挖掘包括关联规则在内的多种规则 ,与经典的 A priori算法相比较 ,规则表示更简捷、直观 ,尤其重要的是用户可根据自己的兴趣交互地挖掘关联规则 ,不需要计算频繁项目集 ,因而提高了挖掘规则的效率 ,适用于大型数据库中关联规则的挖掘     

一种基于关联规则的缺省规则挖掘算法

传统的基于Rough集的缺省规则挖掘算法须计算差别矩阵并生成大量的条件属性类，挖掘效率低．为此，本文引入相容关联规则和决策关联规则的概念，提出基于关联规则的缺省规则挖掘算法——DRMBAR，该算法借助FP-tree存储结构挖掘出决策关联规则，并用相容关联规则性质对决策关联规则进行有效修剪后生成相应的缺省规则,DRMBAR可有效地过滤噪声、提高缺省规则挖掘效率，且克服了传统算法依赖于主存的限制，为缺省规则的挖掘提供了一种新的框架。实验结果表明该算法是有效且可行的。