基于格的快速频繁项集挖掘算法

随着数据库规模的增加或支持度阈值的减少,频繁模式的数量将以指数形式增长,FP-growth算法运行的时空效率将大为降低.本文提出一种基于格的快速频繁项集挖掘算法LFP-growth,算法利用等价关系将原来的搜索空间（格）划分成若干个较小的子空间（子格）,通过子格间的迭代分解,将对网格P(I)的频繁项集挖掘转化为对多个子格的并集进行的约束频繁项集挖掘.实验结果和理论分析表明,在挖掘大型数据库时,LFP-growth算法的时间和空间性能均优于FP-growth算法.     

MapReduce环境下基于概念分层的概念格并行构造算法

概念格是形式概念分析中的核心数据结构.对此提出运用划分分治和分层约束的方法研究MapReduce框架下概念格并行生成算法以有效地构造概念格.将形式背景按对象划分成外延独立子背景后并行计算子背景上的临时概念,融合各节点临时概念形成全局概念.全局概念按照各概念外延基数进行分层,通过分层约束计算概念父子节点的搜索范围和并行搜索各层概念的父子节点,进而构建概念格.算法基于MapReduce框架实现并在公共数据集上进行测试,实验结果表明,基于概念分层方法的概念格并行构造算法能够对大数据形式背景有效地进行处理.     

一种决策形式背景中挖掘决策规则的新方法

针对大规模决策形式背景中决策规则的提取问题,提出了一种将频繁闭项集与决策形式背景相结合以提取无冗余决策规则的新算法.该算法结合了深度优先搜索的思想以及概念格中概念节点之间的父子关系,改进了概念格中频繁闭项集的挖掘算法,得到的频繁决策概念格实现了对一定规模的数据库的压缩,同时得到无冗余决策规则.算法分析表明,该算法复杂度较低,更适用于大规模数据集中挖掘无冗余决策规则.     

带兴趣度的序列概念格的最大模式挖掘

本文研究了带兴趣度的序列概念格的最大模式挖掘方法,并给出了相应算法。与经典的算法比较,减少了对交易数据库的扫描次数,提高了挖掘效率,非常有利于序列模式发现。     

一种使用概念近似度约简的序列模式挖掘方法

传统的序列模式挖掘算法虽然能够挖掘所有的频繁序列,但在挖掘海量数据时可能因结果规模过于庞大而无法理解．基于概念格的序列模式挖掘有效地减少了中间序列的生成数量,在时间性能上具有一定的优越性,而概念格的结构特点也为自身的约简提供了便利．本文提出了近似概念的定义,首先对交易数据库建格,然后约简满足近似条件的概念,减少了频繁1-序列的数量,进而减少了总的频繁序列的数量．实验表明,在允许一定误差的情况下该方法提高了挖掘结果的可理解性和挖掘效率．     

基于n阶形式背景核的概念格重构

本文提出一种与传统算法不同的基于n阶形式背景核的概念格构造方法.n阶形式背景核是一类形式背景(具有n个属性)的最小完备子集,使得任意一个n阶形式背景必同构于它的某一个元素.形式背景核用于支持生成子形式背景的小概念格,经过重构小概念格得到最终的概念格.通过实现过程中的所有算法,开发出了一个软件系统IsoFCA.实验表明,在符合实际应用的情况下,基于n阶形式背景核的概念格构造方法优于Godin算法.     

概念格在频繁模式挖掘中的应用研究

频繁模式挖掘是数据挖掘研究中的关键问题之一,在关联规则等领域应用广泛.概念格是数据分析和知识表示的一种有效工具,适用于从数据库中挖掘规则的问题描述.分析了概念格在频繁模式挖掘的应用,包括对普通事务项集、序列项集及格、树和图等复杂结构的挖掘;讨论了概念格构造优化的必要性及两类主要的优化方法属性约简和剪枝概念格;并对关联规则提取的方法的优劣进行了基本比较,最后探讨了概念格未来的研究方向.     

一种序列模式的概念及挖掘算法

介绍了一种时间序列模式的形式和概念,讨论了其相关的挖掘算法.将时间序列模式既用于具有时间关系的购买行为的分析,以揭示购买行为后面一种序列关系信息,又用于其他有时间关联的事件分析.挖掘算法由以下几部分构成建立频繁物品集,进行数据处理和转换,并生成候选子序列,通过验证后,得到长度为2,3,…的序列集合,从中选出独立最大序列即为所求.通过实例指出了该算法和传统的Aprioriall算法的不同之处.结果表明,这种序列模式在网络通信、气象分析等领域具有广阔的应用前景.     

基于server session约束的序列模式增长挖掘研究

在WUM(Web Usage Mining)中挖掘序列模式的背景下,提出了一种基于server session约束的序列模式增长挖掘算法.首先,为了更好地从网站服务器日志文件中挖掘模式和发现知识,提出了一种基于server session的服务器日志文件格式.同时,引入基于server session的约束概念,利用其能够减少初始序列模式和候选项集大小的特点来减少每次扫描后缀数据库的规模,再从预处理后的日志文件中挖掘WUM的频繁访问路径的序列模式.最后通过实验证明了算法的有效性和优越性.     

格的相对凸子格及其性质

引入了格的相对理想（相对滤子）的概念,给出了格的相对凸子格的若干性质,获得了格的相对凸子格的充要条件。     

频繁序列模式更新算法

在分析了频繁序列模式更新算法关键技术的基础上，提出了一种快速的增量式更新频繁序列模式挖掘算法FUFSPA，该算法将充分利用先前挖掘过程中所产生的信息来减少本次挖掘过程中的时闻开销．另外，针对频繁序列模式挖掘中支持数计算的复杂性，提出了一种基于二进制形式的支持数计算方法，该方法只需进行一些“或”逻辑运算操作，将该方法用于序列模式挖掘中支持度（数）的计算，可以进一步提高算法的执行效率．实验结果表明算法FUFSPA是可行和有效的．     

基于项目位置索引的序贯模式增量挖掘方法

通过前缀序列的引入，将搜索空间划分为若干个子空间，利用模式增量技术对序贯模式进行有效搜索，并提出了项目位置索引的概念，即将原始序列数据库信息转换到项目位置索引（IPI）中，从而在搜索序贯模式时避免了复杂的多维候选序列的测试，仅需对各前缀序列对应的扩展的项目位置索引库（IPIDBs)做简单的序列数目累加操作，将复杂的高维序贯模式搜索问题巧妙地转换为一维频繁项目的搜索，降低了算法复杂度，提高了效率。     

基于序列划分的压缩序列模式挖掘算法

研究了静态数据库当中挖掘压缩序列模式的问题,提出了一个压缩序列模式挖掘算法.该算法通过对闭序列模式全集进行划分处理,降低了序列的比对空间,并结合δ-dominant序列检测机制,有效的挖掘出了压缩序列模式集.实验表明,该算法具有较好的运行效率.     

基于可信度约束的序列模式发现研究

结合可信度约束,提出解决序列模式发现研究的算法,并分别对以下两种方案展开研究.I:先寻找所有满足最小支持度的最大高频序列,后计算最大高频序列的各阶可信度.II:先计算最大高频序列的各阶可信度,后寻找所有满足最小支持度的最大高频序列。     

一种挖掘序列模式的增量式更新算法

讨论了当从序列数据库中删除某些信息时，序列模式的更新维护问题。提出了一种新的算法MA_D（Maintaining Algorithm while Deleting information）, 处理因数据库更新而引起的序列模式的维护问题。该算法充分利用在前次模式挖掘过程中得到的信息，降低了挖掘新的序列模式的开销。实验分析表明，该算法对于序列模式的维护是十分有效的。     

序列模式挖掘导引

从大量的序列数据中发现有用的模式是数据挖掘的一项重要任务,本文简单介绍了序列模式挖掘主要算法的基本框架,对算法涉及的概念给出形式化的定义。     

基于PrefixSpan的快速交互序列模式挖掘算法

为了克服序列模式挖掘过程中重复运行挖掘算法而产生的时空消耗,提出了一个快速、简单而有效序列模式的交互式算法FISPM,利用前次挖掘得到的序列构造序列模式数据库用来存储挖掘出来的所有序列, 通过缩减本次挖掘所要构造投影数据库的频繁项的数量来减少构造投影数据库所需的时间以及投影数据库的大小,从而减少时间和空间消耗,提高挖掘效率.通过设置全局最小支持度来减少算法迭代次数. 实验结果证明在交互挖掘过程中FISPM效率优于PrefixSpan.     

大型数据库中的高效序列模式增量式更新算法

提出一种称为FIMS（fast incremental mining of sequential patterns)的序列模式增量式更新算法，处理因数据库的更新而引起的序列模式的维护问题。主要思想是利用原先的序列模式挖掘结果，通过建立一个投影数据库来减少对整个数据库的扫描次数和侯选序列的生成，从而提高挖掘的效率。实验结果显示在更新数据量远小于整个数据库的大小时，FIMS算法的性能优于GSP算法4－7倍。     

对序列挖掘算法Apriori(All/Some)的改进研究

针对Apriori(All/Some)算法在挖掘前对数据进行编码和转换所导致的挖掘复杂化,以及不能够处理某些特殊情况的问题,提出一个改进的Apriori(All/Some)算法.改进的算法保留原始数据,省掉编码和转换工作,直接求出全部的以任意频数出现的基调,有效地处理了Apriori(All/Some)算法中存在的问题.     

CSE算法:利用对频繁序列扩展来进行序列模式挖掘

序列模式挖掘是在多个有序事件序列中查找出现频率大于某个阈值的序列模式的数据挖掘方法 ,自从1995年序列模式挖掘的概念被提出以来 ,人们不断地对序列模式挖掘算法进行研究和改进 .本文介绍了一种新的序列模式挖掘方法—CSE算法及其具体实现方法 ,并对该算法性能做了初步的评价 .