兴趣模糊关联规则挖掘现状研究

模糊关联规则是通过给定最小支持率和最小信任度来得到很多关联规则的,这些规则之间大部分是显而易见或不相关,为有效得到用户关注的模糊关联规则,引用了兴趣度了的概念。本文主要针对目前兴趣模糊关联规则挖掘现状进行分析研究。     

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.     

兴趣关联规则的挖掘

通过对关联规则兴趣度的度量,在挖掘关联规则时可以避免无意义规则的产生。提出了一种度量关联规则兴趣度的方法,并给出了兴趣关联规则的挖掘算法。     

改进购物篮分析的关联规则挖掘算法

基于改进传统购物篮分析的关联规则挖掘是在数据处理时引入兴趣度加权的思想,将所有交易中同一类商品的交易量进行归一化处理,根据用户领域知识的要求,计算该类商品的兴趣度加权阈值,从而改进传统的购物篮分析,使所挖掘出的关联规则符合实际,同时减少关联规则挖掘的工作量,提高规则挖掘的效率和准确性.     

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。     

一种基于本体的关联规则挖掘方法

关联规则可用于指导企业商务决策,针对关联规则挖掘的支持一置信框架会产生冗余规则的问题,该文提出了一种本体统计相关性与语义相关性相结合的关联规则挖掘方法。该方法以关联规则挖掘为目标,首先建立领域本体,并集成一个更为通用的本体系统辅助关联规则的挖掘,综合考虑本体的统计相关性和语义相关性定量计算规则相关度。应用客观兴趣度和主观兴趣度约束无趣规则的产生。与已有的方法相比,该方法有效地处理了冗余规则,实现了基于语义的知识表示。同时,该方法在心血管疾病辅助诊断系统中应用验证了其有效性和优越性。     

基于关联规则的道路交通事故多发点成因分析

分析道路交通事故成因有助于改善道路交通环境、减少道路交通事故的发生。近年来,关联规则模型及其扩展在道路交通事故多发点成因分析中使用广泛。然而,使用关联规则中传统的兴趣度度量方法和Apriori算法存在许多局限。在传统兴趣度度量方法和Apriori算法的基础上做出改进,使用频数分析法和改进的关联规则方法对事故多发点进行成因分析,并通过对方法实现的难易程度、分析效率和结果的有效性三方面进行对比,以使挖掘结果尽可能地贡献于事故多发点的成因分析。     

基于关联分类方法的Web使用挖掘研究

如何对网上用户分类是W eb挖掘领域应用最多的任务之一,本文尝试将关联分类方法应用到W eb用户分类模式的挖掘.我们首先对服务器日志文件进行预处理,形成一个访问事务集;然后对该事务集进行数据挖掘,找出所有满足最小信任度和支持度的类别关联规则;最后,我们用这些类别关联规则去预测用户的兴趣.实验证明此方法是有效的.     

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．     

一种挖掘负关联规则的有效方法

负关联规则表示2个项集之间的互斥或否定关系,往往隐藏在数量庞大的非频繁项集中,有很强的相关性且包含了重要的信息.提出了一种基于相关系数和最小兴趣度的挖掘负关联规则的方法,并给出了相应的算法,实验表明该算法能有效提高挖掘效率.     

关联规则的新颖性评价

关联规则的挖掘就是要发现所有支持度和可信度分别大于用户给定的最小支持度和最小可信度的关联规则.最常用的关联规则评价方法就是支持度-可信度评价.本文提出频繁项集的新颖性概念,并对新颖性评价方法进行阐述.     

基于兴趣度的高职课程关联规则挖掘

研究关联规则数据挖掘,讨论兴趣度的概念,设计基于此概念的算法.以高职成绩数据库为处理对象,分析课程间的关联规则,并以兴趣度为约束条件,剔除具有欺骗性的无效关联,挖掘一些合理可靠的课程间有趣的关联规则,从而为高职课程设置和教学大纲的修订提供参考,同时也验证了算法的有效性.     

基于Apriori算法的高职院校课程相关性分析

高职院校的人才培养方案中,课程设置是最关键的元素,课程结构的合理与否会直接影响到人才培养的质量。使用关联规则中的Apriori算法,对学生成绩样本数据进行挖掘,利用给定的最小支持度和最小置信度,挖掘出频繁项集,进行课程相关性分析,得到课程的关联规则,有利于在课程设置过程中优化课程结构,提高教学质量。     

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.     

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。     

带有时态约束的多层次关联规则的挖掘

为了适应现实世界数据中数据具有多层次性和时态性的客观情况，在以往关联规则挖掘算法的基础上，提出上具有时态约束的多层次关联规则的挖掘算法，该算法在核心思想是利用统计分析方法，根据用户给定的最小支持度和最小可信度，确定出用户感兴趣的关联规则，实例分析结果表明，该算法与单层次的无时效性的数据挖掘算法相比更有应用价值。     

基于倒排表和集合的TOP-N最频繁项集挖掘算法

最频繁项集挖掘是文本关联规则挖掘中研究的重点和难点,它直接决定了文本关联规则挖掘算法的效率。本文首先分析了当前在最频繁项集挖掘方面的不足,然后给出了几个命题和推论,紧接着结合最小支持度阈值动态调整策略,提出了一个基于倒排表和集合的TOP-N最频繁项集挖掘IntvSet算法,最后对所提算法进行验证。实验结果表明,该算法的规则有效率和时间性能比常用的两个TOP-N最频繁项集挖掘算法:NApriori算法,IntvMatrix算法都好。     

基于频繁2-项集的数量关联规则挖掘方法研究

关联规则挖掘方法自提出以来已有很多改进算法,但均局限于布尔关联规则的挖掘.已有的数量关联规则挖掘主要考虑了连续属性值离散化、最优的数量关联规则挖掘等问题,但存在过小支持度和过小置信度问题.研究了这一问题并提出了一个在频繁2-项集的基础上挖掘数量关联规则的改进算法.它不仅可以用于典型的购物篮分析,还可以用于购物篮分析不能完成的关联规则挖掘问题,如带数量的捆绑销售问题.     

基于Apriori和IUA的改进算法

在数据库中挖掘关联规则是数据挖掘领域的一个重要的研究课题,在应用中具有非常重要的意义.在分析Apriori算法和IUA算法经典关联规则挖掘算法的基础上,提出了一种基于最近挖掘结果的更新算法称为IIUA.IIUA算法吸收了Apriori算法和IUA算法的优点,在改变最小支持度和基于最近挖掘结果的条件下,从生成尽可能少的候选项集考虑,得到完整的新频繁项集,从而提高算法的效率.     

不完全数据库中的关联规则挖掘

在不完全数据库中挖掘关联规则是一个重要的数据挖掘问题,其关联规则的支持度和置信度不可能精确计算,但可以估计.基于关联规则支持度和置信度的估计,讨论了不完全数据库中关联规则的挖掘问题.