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。     

模糊关联规则格的规则提取

针对模糊属性事务数据库提取模糊关联规则的问题,采用模糊概念格与模糊关联规则相结合的方法,实现格节点与属性项集的对应关系,提出模糊关联规则格理论,在渐进式建格算法基础上对格节点相应修改,给出了适用于动态数据库的模糊关联规则格的构建思想.利用模糊关联规则格挖掘关联规则,与采用Apriori算法计算频繁项目集获取规则相比较,容易获得用户感兴趣的关联规则,同时减少冗余规则的生成,使挖掘算法得到优化.     

基于相关系数的正、负关联规则挖掘算法

负关联规则描述的是项目之间的互斥关系，它与传统的正关联规则有着同样重要的作用。然而，大多规则挖掘算法只能挖掘正规则而忽略了负规则的挖掘。本文利用统计学中相关系数的理论，提出一个能同时挖掘正、负关联规则的算法，实验表明该算法是有效的。     

一种基于可信度最优的数量关联规则挖掘算法

研究了数量关联规划挖掘过程中的连续属性离散化问题,描述了连续属性离散化方程,包括连续属性区间划分算法和数据库样本大小的确定,提出了基于可信度最优的数量关联规则挖掘算法。该算法首先利用等深度划分算法对连续属性进行离散化,然后利用凸包处理技术提取强规则中可信度最高的数量关联区间,它对于数量关联规则的优化有着重要的应用价值。应用该算法对股票行情进行了数量关联分析,提取股票涨跌与股票价格之间可信度最高的关联规则。实验表明该算法是非常有效的。     

一种新的多维关联挖掘智能方法

关联规则挖掘在数据挖掘中有着重要的作用.本文提出了采用多维模型的架构将维表进行组织,而且利用项目分块和提取感兴趣的个别属性作为多维关联规则挖掘的基本思想,并利用数据库查询语言实现算法,实现了多维的挖掘,经实验表明该算法的效率大大高于Apriori等算法,且易于实现.     

模糊关联规则的并行挖掘算法

介绍了模糊关联规则挖掘算法的基本思想及实现步骤,提出了模糊关联规则的并行挖掘算法.并行挖掘算法采用并行的模糊c-均值算法将数量型属性划分成若干个模糊集,并借助模糊集软化属性的划分边界.用改进布尔型关联规则的并行挖掘算法来发现频繁模糊属性集.最后由多个处理器并行地产生满足最小模糊信任度的模糊关联规则.在分布式互连的PC/工作站环境下进行性能分析,结果表明并行的挖掘算法具有好的可扩展性、规模增长性和加速比性能.     

空间跨层关联规则挖掘算法的研究

在空间关联横向挖掘中,针对现有基于空间事务的挖掘算法不能快速地挖掘空间跨层关系,提出一种空间跨层关联规则挖掘算法,其适合在空间关联横向挖掘中提取空间跨层关联规则;该算法将空间事务的跨层关系转换为整数,采用自顶向下搜索策略,按非频繁项对应的属性位数递减的方式产生候选频繁项,有效地提高挖掘效率;在提取空间跨层关联规则时,实验证明它是快速的.     

基于项目集的关联规则数据挖掘

为了发现项目集中所有的频繁模式,根据关联规则定义及属性,利用Apriori算法实现关联规则的挖掘,挖掘出新的关联规则。可产生清晰有用的结果;通过项目集的关联规则挖掘研究结果既可以广泛应用于各个领域,也可以检验行业内长期形成的知识模式,同时能够发现隐藏的新规律,成为完成数据挖掘任务的一个重要手段。     

基于对象立方体结构的高层关联规则挖掘方法研究

在属性的高层概念上发现的关联规则为高层关联规则,对基于对象立方体结构的高层关联规则挖掘方法进行了研究.提出了一种挖掘高层关联规则的算法,并用算法进行了实验,得到的关联规则可以为用户提供一些常识性的知识,对高层决策有较大的帮助.     

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。     

分布式关联规则挖掘系统实现

提出一种基于AprTidRec算法的分布武关联规则挖掘算法,并通过实验验证了算法运行的有效性。给出基于局部一全局通信模式的分布式关联规则挖掘方案,并在此方案基础之上进行了系统实现。     

关联规则挖掘的Apriori算法综述

关联规则挖掘是数据挖掘研究领域中的一个重要任务,旨在挖掘事务数据库中有意义的关联。随着大量数据不停的收集和存储,从数据库中挖掘关联规则显得越来越有必要性,关联规则挖掘的Apriori算法是数据库挖掘的最经典算法并得到广泛应用,在介绍关联规则挖掘和Apriori算法的基础上,发现Apriori算法存在着产生候选项目集效率低和频繁扫描数据等缺点。综述了Apriori算法的主要优化方法,并指出了Apriori算法在实际中的应用领域,提出了未来Apriori算法的研究方向和应用发展趋势。     

正负关联规则挖掘算法在电子商务网站中的应用

摘要 为了增加电子商务网站的销售额,分析了商品推荐在电子商务系统中的作用,研究了数据挖掘中的正负关联规则挖掘技术的特点,提出了一种新的正负关联规则挖掘算法。新算法通过使用旋转数据库和位运算减少了扫描原始数据库的次数,加快了挖掘速度。另外,新算法在挖掘正规则的同时,利用负规则裁减掉无效规则,得到的结果更符合用户的购物行为。通过测试得出新算法比传统的Apriori算法执行时间更短,商品推荐更精确。     

关联规则挖掘在医疗诊断中的应用

关联规则挖掘是效据挖掘中重要内容之一．文中将关联规则挖掘应用于医院的病例诊断工作，从大量的病例记录中找出各层次因素间的关联关系，挖掘胃癌诊断数据库中的关联规则，试图发现环境、饮食习惯、遗传易感性等因素与胃癌的发生与诊断阃的关联关系，从而发现胃癌疾病与它产生的可能因素间的规则，这些规则模式对胃癌病例的诊断和预肪有重要的指导意义。     

基于矩阵算法的关联规则挖掘

分析了关联规则挖掘的各种算法,详尽分析和探讨了一种用于挖掘关联规则的矩阵算法并给出了矩阵算法实现过程.矩阵算法扫描数据库一次,然后生成事务矩阵,在矩阵上进行相关的数据挖掘操作.当数据库规模较大时,矩阵算法能够显著提高关联规则挖掘的效率.     

基于事务数据库的关联规则采掘算法研究

采掘关联规则是知识发现领域的一个重要问题,文中对采掘关联规则问题进行了简单的回顾,分析了传统的关联规则Apriori算法的优缺点,设计了一种基于事务数据库的快速采掘算法TB－MA。实例证明,与Apriori算法相比,TB－MA算法削减了数据库遍历次数,提高了采掘效率,是十分有效的采掘算法。     

中医症状间的关联规则研究

从数据挖掘中的布尔关联规则角度出发,定义中医症状间的关联规则,发现病案数据库中诸多症状之间规律性的关联规则,并且依据规则分析病因、预测病情发展以及为未来临床诊治提供有效借鉴.     

关联规则挖掘在医保稽查中的应用研究

关联规则挖掘是从事务数据库中发现大量数据中项集之间存在的有意义的隐藏关系。本文探讨了关联规则挖掘如何应用于医保稽查工作,并论述了对Apriori算法进行的具有针对性的改进。     

基于快速隐私保护关联规则的挖掘算法

随着数据库规模的日益增大,关联规则挖掘需要在挖掘效率、可用性、隐私性及精确性等方面得到提升,需要对传统的关联规则挖掘算法进行更新和改进。在传统的Apriori算法基础上,提出了一种新的在关系数据库中挖掘关联规则的算法。该算法只需扫描一次数据库即可得到频繁项集,并通过非频繁项集来减少候选项集的生成,从而提高了算法的运算效率;此外,该算法将包含敏感数据事务做相关的处理,以达到隐藏包含敏感数据的关联规则。理论分析和实验结果表明,新算法不仅提高了关联规则挖掘的效率,而且还达到了隐藏包含敏感规则的目的。     

基于封闭项目关联规则集压缩方法

 关联规则挖掘能使我们发现数据库中大量项目与项目之间的相关关系,但是用传统关联规则生成方法所生成的规则一是数量庞大,二是其中包含许多具有相同意义的规则,这必然对用户理解和提取信息带来干扰.通过求封闭项目集大大消减了频繁项目集数量,再由封闭项目集构造一种新的存储机制——-近似格,基于近似格可以得到冗余度较小的关联规则,从而提供用户简洁紧凑又无信息丢失的关联规则集.