基于多克隆选择的多维关联规则挖掘算法

通过引入多克隆选择算法的思想,提出了一种基于多克隆选择的关联规则挖掘算法．仿真对比试验表明,该算法加快了关联规则挖掘的收敛速度,具有更强的全局与局部搜索能力,与基于进化算法和基于免疫算法的关联规则挖掘算法相比,明显提高了所得关联规则的准确率．     

基于关联图的改进关联规则在推荐系统中的应用

提出了推荐模型中的关联规则挖掘方法的改进,给出了自定义的页面权值的定义,并改进了基于关联图的关联规则挖掘算法,将页面权值应用于关联规则的挖掘中。此算法是利用Web日志中经过预处理后得到的数据进行规则挖掘,将处理后的数据应用正态分布函数来得到页面权值。用页面权值重新计算支持度,最后将得到的支持度应用于改进的规则挖掘算法中,形成一种基于权值的关联图的关联规则算法。     

一种基于串与运算的关联规则挖掘算法

提高频繁项集挖掘算法的效率一直是数据挖掘领域中关联规则挖掘研究的一个重点。Apriori算法是一种经典的最有影响的挖掘关联规则的算法，该算法虽然能有效地挖掘出关联规则，但是产生的冗余规则多，效率低下。针对数据挖掘的现状及关联规则算法的瓶颈问题，提出一种基于串与运算的关联规则挖掘算法，并对关联规则挖掘的未来研究方向进行了展望。     

基于图的挖掘关联规则改进算法

关联知识挖掘算法中一种广为人知的算法就是Aprior算法,之后所有关联规则挖掘算法的基本思想都是基于频繁项目集发现算法的基础上进行了改进.为了提高关联规则挖掘效率,首先回顾了基于图的关联规则挖掘算法;然后,在此基础上进行了改进,把关联规则挖掘中寻找频繁项集的问题转换为图中寻找完全子图的问题,通过在图中查找完全子图来寻找频繁项集.提出了一种基于图的关联规则挖掘改进算法,并且对原算法和改进的算法从时间和空间的性能进行了比较分析,得出改进的算法是有效可行的.最后从实验结果得出结论GenerateItemsets算法比DGBFIG算法优.     

结合变异机制和量子PSO的关联规则挖掘算法

针对数据集中的关联规则挖掘问题,提出一种基于改进量子粒子群优化(improved quantum particle swarm optimization,IQPSO)算法的关联规则挖掘方法。首先,将数据实例以量子比特形式表示,构建一个基于量子进化算法(quantum evolutionary algorithm,QEA)的关联规则挖掘基础框架。然后,在该基础框架上,采用新的量子角度更新公式,即使用QPSO代替QEA实现关联规则挖掘。最后,为了进一步提高QPSO算法的收敛性能,融入变异机制和动态惯性权重对其进行改进,加快其收敛速度和跳出局部最优的能力。在UCI和课程成绩数据集上的实验结果表明,提出的算法能够快速且有效地挖掘出关联规则,相比其他几种算法,挖掘到的关联规则价值更高。     

数据挖掘技术在试题质量评价中的应用

介绍了关联规则基本概念及Apriori算法,分析了关联规则挖掘在试题评价中存在的不足,提出了一种基于信息量的关联规则挖掘改进算法ARMABI.实验结果表明,该算法性能明显优于传统的关联规则挖掘算法,具有较高的推广价值.并且,对下一步工作进行了展望.     

基于十字链表的关联规则改进算法

目的解决在关联规则挖掘中存在大量无用的候选项集和频繁项集以及效率不高的问题。方法提出了一种基于十字链表的关联规则改进算法。结果利用用户给定的条件和剪枝算法减少了候选项集的数量,再遍历十字链表确定频繁项集,结果表明算法提高了挖掘效率。结论基于十字链表的关联规则改进算法避免了重复扫描数据库,提高了挖掘效率。     

基于异常模式识别的服务过程改进

持续的改进服务过程,是提高服务过程管理水平的重要方法之一。但在服务过程改进中往往难以识别服务缺陷产生原因。针对这一问题,提出一种基于关联规则挖掘的服务过程缺陷识别和改进方法,为有效改进服务过程提供了决策依据。该方法在基本的关联规则算法中,引入了缺陷原因和结果互斥约束、规则前件数约束、改进度约束以及新颖性约束。仿真试验表明,该方法与传统关联规则算法相比,降低了生成规则的数目,提高了规则有效性,降低了算法运行时间,取得了更好的效果。     

基于定量关联规则树的分类及回归预测算法

为了解决基于Apriori的分类关联规则算法挖掘数值型数据时效率和准确率偏低的问题,提出基于定量关联规则树的分类及回归预测算法。采用改进的定量关联规则算法挖掘数值型数据生成关联规则库,并基于关联规则树结构实现分类及回归预测。研究结果表明：改进的Apriori定量关联规则挖掘算法提高了分类预测的准确率并降低了计算复杂度;而采用关联规则树结构可使分类与回归预测时间明显加快,提高了样本匹配学习的速度。     

基于异常模式识别的服务过程改进

持续地改进服务过程,是提高服务过程管理水平的重要方法之一,但在服务过程改进中往往难以识别服务缺陷产生的原因。针对这一问题,提出一种基于关联规则挖掘的服务过程缺陷识别和改进方法,以为有效改进服务过程提供决策依据。该方法在基本的关联规则算法中,引入了缺陷原因和结果互斥约束、规则前件数约束、改进度约束以及新颖性约束。仿真试验表明,该方法与传统关联规则算法相比,降低了生成规则的数目,提高了规则有效性,降低了算法运行时间,取得了更好的效果。     

基于关联规则与相似度的数据挖掘算法研究

针对使用传统关联规则算法挖掘大数据集时,挖掘过程中效率不高,挖掘出大量冗余规则的问题,提出了基于关联规则和相似度的数据挖掘算法(U-APR):首先,一次性读入数据并构建矩阵,并利用关联规则支持度度量的特性来增加判断属性,以加快结束迭代过程,从而改进了Apriori算法频繁扫描数据库问题;然后,使用相似度算法去除冗余的关联规则;最后,结合置信度、支持度和用户目标匹配度对挖掘结果进行排序输出,从而得到用户感兴趣的关联规则. 同时,应用该算法与目前常用的2种关联规则算法对广东某高校学生财务数据进行数据挖掘. 实验结果表明:与2种常用的关联规则算法相比,U-APR算法缩短了运算时间和提高了存储空间利用率,对用户分析挖掘结果有较好的优化效果.     

属性受限状态下低维冗余聚类数据快速挖掘方法研究

针对传统数据挖掘方法存在挖掘精度低、速度慢、占用内存多而不适于实际应用等缺点,提出一种属性受限状态下低维冗余聚类数据挖掘方法。通过计算低维冗余聚类数据的支持度,把低维冗余聚类数据挖掘问题转变成频繁项集挖掘问题;利用支持度与可信度对关联规则产生结果进行评价,并添加属性对其进行限制,以减少无用规则的产生。通过属性位复用方法建立候选区域,产生关联规则集,对符合关联规则集的低维冗余数据进行聚类,实现对其挖掘。实验结果表明,通过所提方法对属性受限状态下低维冗余数据进行挖掘,挖掘速度快,结果可靠。     

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。     

关联规则挖掘Apriori算法的改进及其应用研究

在分析经典关联规则挖掘算法的基础上.提出了一种改进的Aprioff关联规则算法.并进行该算法的UCI机嚣学习数据库性能分析和设计电子病历关联规则挖掘应用系统.结果表明该算法在运行速度和挖掘性能上都是高效的.     

基于遗传算法和粗糙集理论的增量式规则获取方法

规则获取的增量式算法是数据挖掘领域的一个热点问题.基于粗糙集理论,从规则获取和优化两方面研究了基于遗传算法的增量式规则挖掘方法,它具有结构简单、搜索效率高、求解速度快等优点.通过研究决策表和决策规则系数,建立基于粗糙集表示和度量的知识,并且将遗传算法和规则挖掘算法相结合,建立了新的优化方法,提出了一种基于遗传算法的增量式规则挖掘的方法.在原有规则集的基础上进行规则和规则参数的增量式更新,避免了为更新规则而重新运行规则获取算法.试验结果表明,执行增量式GA的能够有效地获取最优规则.     

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。     

基于用户反馈的关联规则挖掘在试卷分析中的应用

传统试卷分析系统一般只是对考试成绩做简单的整体统计,如平均分、等级、不及格率等,用户缺乏对试题知识点掌握情况关联程度的准确了解。针对该问题提出一种基于用户反馈的关联规则挖掘算法。首先对原始数据进行预处理,得到试卷知识点评分权重表和二进制的学生得分率表。然后建立一个根据用户选择层数输出关联规则,以及查询与选定知识点相关的规则的新方案。最后,提出了一个考虑用户反馈、支持度和置信度阈值的关联规则挖掘算法,以过滤无用规则,提高挖掘效率。对VB试卷数据应用该算法,发现了基于用户反馈的有趣关联规则。实验结果表明基于用户反馈的关联规则挖掘优于其他关联规则挖掘算法,更易获得有趣的关联规则。     

基于web数据挖掘的Apriori算法及其优化算法研究

从数据挖掘中的关联规则概念入手,介绍了关联规则挖掘中的核心算法Apriori实现过程,针对出现的瓶颈又介绍了几种Apriori算法的优化方法,最后指出了末来关联规则挖掘算法的研究方向．     

基于划分和压缩数据库的改进Apriori算法

针对Apriori算法在面对大规模数据时效率较低的问题,提出了一种基于划分和压缩数据库的改进方法。该方法首先依据特征数据出现的频率将数据按照升序存储在临时数组中;然后将原始事务数据库分为几个互不相交的事务数据库,使得子数据库能够容纳在内存中;最后根据每个子数据库计算出的频繁项集计算整个数据库的频繁项集,从而消除了不必要的冗余数据。通过改进可以将大规模数据集进行有效的划分和压缩,对子数据库进行关联规则挖掘。实验结果表明,改进的Apriori算法在针对海量数据挖掘的执行速度和效率都有很大提高。     

一种基于改进型遗传算法的关联规则提取算法及其应用

对关联规则的数据挖掘和遗传算法进行了概述,阐述了关联规则数据挖掘的现实意义,提出了一种采用改进型遗传算法的关联规则提取方法,并给出了具体的算法,最后结合一个具体实例进行了应用。