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.     

最小支持度为区间值的加权Apriori算法

为解决经典Apriori算法中最小支持度设定不当和数据库中各项目的重要程度不易给出的问题,采用区间量化方法计算出最小支持度满足的一个区间,用区间值代替单一的最小支持度.并根据引入的可能度概念对改进算法进行剪枝的策略,提出项目权重和最小支持度都为区间值的加权关联规则挖掘算法.通过UCI上的数据集对比改进算法和经典算法的性能.研究结果表明:改进算法解决了最小支持度设定过高或过低所带来的问题,并提高了算法的运行速度及有效率.     

基于Apriori算法的加权关联规则的挖掘

关联规则挖掘主要用来发现数据库中存在的频繁项集.利用权值标识项目的重要程度,提出一种新的关联规则——加权关联规则的挖掘.由于项目权值的引入,Apriori性质不再成立,频繁项集的子集不再一定是频繁的.为此,提出k-最小支持数的概念,对原有Apriori算法进行改进.该算法能够挖掘出现频率小但是带来更大利润的项目,使得挖掘出的关联规则更加满足决策者的需求,也更加符合实际需要.     

分布式多空间数据库复杂时态数据提取技术

传统方法实现过程复杂、历史复杂时态数据的片面性,导致其无法全面地描述时态数据;且相似性计算无法准确匹配具有动态性与复杂性的时态数据,造成提取精度低。为此,提出一种新的分布式多空间数据库复杂时态数据提取技术。设计动态RBF神经网络,对分布式多空间数据库中未知动态进行识别和建模;通过建模结果完成对复杂时态数据的描述。依据加权关联规则与时态关联规则对支持度和置信度的定义,获取T-FS-tree加权时态关联规则中支持度和置信度。将复杂时态数据描述序列、最小支持度、最小置信度作为输入,将加权时态关联规则作为输出,建立T-FS-tree加权时态关联规则挖掘算法。按照向量计算获取加权时态频繁1项集以及频繁2项集,依据获取的加权时态频繁项集建立初始频繁项集树;依据初始频繁项集树获取全部时态频繁项集;通过获取的频繁项集产生加权时态关联规则。从所有关联规则中选择优先度高的规则,构建的复杂时态数据提取器,实现复杂时态数据提取。实验结果表明,所提方法复杂性低,提取结果更加全面、可靠,有很高的准确性。     

基于部分支持度树的关联规则增量式更新算法

关联规则挖掘是数据挖掘技术的一种简单又很实用的方法,有着广泛的应用。该文利用部分支持度树的结构提出了对关联规则的增量式更新算法,用于解决向数据库中添加新的数据而最小支持度不发生变化时的关联规则更新问题。该算法有效地利用已挖掘的关联规则和保留的部分支持度树来改善性能,并且只需对新增数据库部分进行一遍扫描,从而进一步提高算法的效率。实验结果表明,该算法能有效地解决关联规则的更新问题,提升挖掘效率。     

基于多支持度的挖掘加权关联规则算法

关联规则挖掘是数据挖掘中一个重要的模型．在其挖掘算法中，如果最小支持度很高，则出现频率比较低的规则就不能发现；如果最小支持度太低，因为频繁项的相互关联，则会出现组合爆炸．为此，提出了允许用户设定多个最小支持度、给定数据各项的权重来解决这一问题．理论、实验数据和实际应用证明，该新算法可行且符合实际情况，比同类算法用时更少，对大型数据库的关联规则挖掘非常有效．     

一个基于约束的关联规则挖掘算法

给出了一个基于约束的关联规则挖掘算法，首先依赖加权支持度产生频繁项目集，然后利用兴趣度产生关联规则，并对过滤掉的频繁项目集进一步分析发现包含负项集的关联规则。     

数据挖掘中的增量式关联规则更新算法

设计增量关联规则更新算法,用于解决数据挖掘中元组数增加而最小支持度不发生变化时关联规则增量式更新问题.该算法只须扫描原始数据库和新增数据库各一遍,能大大降低运算时间,加快速度,极大地提高关联规则的挖掘性能.     

基于粗糙集理论和布尔矩阵的改进Apriori算法

提出一种基于粗糙集理论和布尔矩阵的关联规则挖掘算法,作为对Apriori算法的改进,通过构造布尔矩阵,利用粗糙集划分等价类的方法对事务数据库的记录进行分类,然后通过等价类的取交或取并运算产生更高阶的频繁项目集,算法能有效减少数据库的扫描次数,实验表明算法在对事务数据库进行挖掘时显示出良好的性能.     

量化交易中无需最小支持度阈值的模糊关联规则挖掘

现实量化交易应用中,传统的模糊数据挖掘算法往往需要针对给定的量化交易设定最小支持度阈值,然而,这些方法中存在的普遍问题是很难找到合适的最小支持度阈值,并且因为推导出的规则通常是常识而没有实际的商业意义。为了解决这个问题,提出了一种无需最小支持度阈值的模糊关联规则(fuzzy coherent rule,FCR)挖掘算法。首先将量化交易转换成模糊集,然后通过收集已经生成的模糊集生成候选模糊关联规则,最后计算出列联表并用其检查这些候选模糊关联规则是否满足四项判断准则。如果满足,则可以确定为模糊关联规则。在Foodmart数据集上的实验验证了所提算法的有效性,相比原始模糊关联规则(fuzzy association rules,FAR)挖掘算法,所提的FCR方法能够推导出更多的规则,并且能够在高置信度时推导出更多有用的规则。     

基于等价关系的关联规则的挖掘

由于在实际的数据挖掘过程中容易出现无用的频集和冗余的规则，所以降低频集和规则的冗余度可大大提高挖掘的质量，这也是数据挖掘中一直被关注的问题，提出了一个用等价类生成关联规则的方法，算法主要在频集的基础上建立项集的等价关系，进而对项集划分等价类，同时将得到的关联规则划分为精确关联规则和近似关联规则两个集合，通过等价类，不但可以很容易地生成所需要的关系规则，同时可以方便地判断数据之间依赖关系的强弱，同时，项集的等价关系在实际应用中也很有利用价值，算法最后的规则结果集剔除了由来自同一等价类中的面集的重复出现构成的冗余规则，从而得到了较小的关联规则集合。     

一种新的加权关联规则增量更新算法

考虑事务数据库D长度不变、项目集I发生变化并且带有权重时的关联规则挖掘问题,提出了一种针对项目集增加的加权关联规则更新算法,解决了增加项目集的加权关联规则更新问题,与对新数据库重新运行算法相比,其运行效率有显著提高.     

基于PSO的加权关联规则挖掘算法

简要描述了加权关联规则问题及离散粒子群优化算法,提出了一种基于粒子群优化(PSO)算法的加权关联规则挖掘算法(PSO-WMAR).实验证明,本算法运行时间更省,产生的规则数更少且更有效.该算法具有以下特点:1)把关联规则挖掘的两个阶段结合在一起,无须先挖掘出全部频繁项目集然后再提取规则;2)只需要扫描一次数据库;3)把兴趣度引入适合度函数之中,挖掘出的规则数量更少、更有效;4)求加权频繁项目集无须查找所有候选加权频繁项目集,或者求频繁项目集的高序子集或非频繁项目集的低序超集.     

基于支持格的关联规则挖掘算法

提出了一种基于支持格的关联规则挖掘算法（ARSL），该算法连续扫描数据库事务序列，逐步构造支持格，对数据库扫描不超过2遍即可求得所有大项目集。首次扫描数据库时，能提供反馈信息，允许用户对最小支持率进行调整。该算法能连续处理事务序列，可用于网上在线数据挖掘。     

基于难度系数的加权关联规则在试卷评估中的应用

针对传统的关联规则在试卷评估中应用出现的问题：由于试题的难易程度不同,被答对的概率也不一样,即数据集中数据项发生的概率不一样,数据项具有倾斜支持度分布的特征,选择合适的支持度阈值挖掘这样的数据集相当棘手。文章提出了基于试题难度系数加权的关联规则挖掘算法,从而解决因试题难度不同而导致数据项出现的概率不均的问题,发现更多有趣的关联规则,并且理论上证明了基于难度系数的加权关联规则算法保持频繁项集向下封闭的重要特性。     

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。