概念格递增修正关联规则挖掘方法

研究了一种知识发现与数据挖掘中关联规则的发现方法 .关联规则是数据挖掘的重要方法之一 ,其核心是各大项目集的获取 .针对货篮关联规则挖掘方法 ,提出了一种改进的概念格递增修正方法 .该方法适应于数据库的动态数据递增或递减更新 ,通过记录项目集 (即概念格中的结点 )在数据库中出现的频率值 ,不需要构造完整的格即可求得项目集的支持度值和可信度值 ,以获取大项目集 ,进而求得关联规则 .同时 ,该方法运用 Hasse图解进行可视化操作 ,降低了算法的时间复杂度     

教学评价信息数据挖掘中数据的转化和分析研究

数据挖掘就是从大量数据中,抽取隐含的,但又是潜在有用的关联信息和知识发现过程。其中关联规则(Association Rules)的挖掘是一个重要的问题,是大量数据中项集之间有趣的关联或相关联系。介绍了关联规则的概念,并将数据挖掘中的关联规则挖掘应用到教学评价中,从而得到一些对提高教学质量或水平的有用知识。     

关联规则挖掘中的关联推理

在大型数据库项目之间发现关联规则是一个重要的数据挖掘问题,而挖掘出的关联规则数常常是巨大的.现基于覆盖运算,讨论已知关联规则可导出其它关联规则,并指出存在能覆盖全部关联规则的最小规则集.     

数据挖掘中的关联规则浅析

本文介绍了在数据挖掘领域,采用关联规则在大型事务数据库中进行数据挖掘是一个重要的研究内容,以及数据挖掘技术中关联规则的基础、应用、特点及其发展前景。     

关联规则挖掘法在CRM中的应用

CRM(Customer Relationship Management)是辨识、获取、保持和增加"可获利客户"的理论、实践和技术手段的总称.关联分析是对一些交易数据库进行分析,找出不同商品即数据项之间的联系,关联分析需要通过关联规则进行数据挖掘.关联规则挖掘是从大量的数据中挖掘出有价值描述数据项之间相互联系的有关知识.     

股票时间序列模型的关联规则挖掘

目前的数据挖掘技术偏重于发现类似于商业销售数据库中不同离散化属性值之间的关系,而对证券投资中数值型数据之间变化趋势的相互影响分析不够.以股票信息的关联规则挖掘为例,大多采用传统的关联规则算法(如Apriori)来发现离散序列数据库中事务间的关系,时间序列关联规则挖掘的     

Apriori算法的分析及应用

关联规则是数据挖掘领域中最重要的研究内容,能够在数据库中发现频繁模式和关联知识。对关联规则及其相关挖掘算法Apriori进行了分析,指出了Apriori算法存在的缺点。通过基于预处理的改进Apriori算法在高校教学评价中的应用,说明数据挖掘过程,分析挖掘结果,最后指出了未来的研究方向。     

关联规则挖掘中的关联推理

在大型数据库项目之间发现关联规则是一个重要的数据挖掘问题，而挖掘出的关联规则数常常是巨大的。现基于覆盖运算，讨论已知关联规则可导出其它关联规则，并指出存在能覆盖全部关联规则的最小规则集。     

关联规则挖掘的常用算法及其比较分析

关联规则挖掘是数据挖掘的一个重要方面。本文介绍了在大型事务数据库中采掘关联规则的常用算法,并对它们的性能进行了比较和分析。     

基于矩阵的关联规则增量式更新算法

关联规则的挖掘是数据挖掘中的一个重要课题.实际应用中事务数据库不断更新,而发现频繁项集代价较高,因此需要提出用于数据库中关联规则的维护算法.本文提出了基于矩阵的MFUP(matrix fast updata)算法,该算法充分利用原有挖掘结果中候选频繁项集的支持数,能有效减少对数据库的重复扫描次数.实验表明,MFUP算法是高效的.     

一种基于映射方法的改进频繁模式增长算法

文章介绍了知识发现中关联规则挖掘算法的基本思想及其性能,分析了FP-tree算法在关联规则挖掘中存在耗费巨大空间存贮的问题,提出了一种运用投影技术改进的频繁模式增长算法,该算法改善FP-tree构造,实验结果表明,运用投影技术改进的频繁模式增长算法可以提高关联规则挖掘效果。     

一种基于映射方法的改进频繁模式增长算法

本文介绍了知识发现中关联规则挖掘算法的基本思想及其性能,分析了FP-tree算法在关联规则挖掘中存在耗费巨大空间存贮的问题,提出了一种运用投影技术改进的频繁模式增长算法,该算法大大改善FP—tree构造,实验结果表明,运用投影技术改进的频繁模式增长算法可以大大提高关联规则挖掘效果。     

SDH告警中的知识发现

TMN在电信网中起着越来越重要的作用，通信网的发展，要求网络管理向智能化方向发展．运用人工智能中知识发现和数据挖掘的方法，可以实现知识的自动获取．故障管理是网络管理的重要方面，本论文运用知识发现的方法对TMN子系统-SDH网管系统中传输告警的关联关系进行了挖掘．论丈运用知识发现的方法，以中国电信四川SDH网管系统中的告警数据为例，实现了SDH传输告警关联关系的挖掘算-Apriori算法；分析了重复告警对单前题规则可信度的影响，对算法做了改进，提高了规则的可信度，有利于发现重大告警；讨论了逆规则对规则有效性的影响，对算法进行了进一步的改进，减少了无效规则；对冗余规则进行了压缩，得到了更简明的挖掘结果；分析了部分挖掘结果和算法复杂度．     

Apriori关联规则算法的C语言实现

在分析Apriori算法的基础上,介绍了该算法的C语言实现,包括频繁集的发现和关联规则的生成,为进一步研究关联规则提供了基础。     

互联网定义挖掘:多特征N-gram Plus分类方法

互联网大数据的飞速发展对知识库的自动构建提出了迫切需求,互联网定义挖掘是知识发现研究的基础.文章基于N-gram语言模型提出了一种改进的N-gram Plus语言模型,综合了词语、词性、语法依赖关系和定义的语言学模式等多种特征.通过定义挖掘框架生成互联网语料库,在定义抽取研究中引入N-gram Plus特征集和句子最大定义隶属度,将句子转换为多特征向量,比较使用几种分类器进行学习和分类.该方法在实验中取得了较好的F2-measure成绩.     

基于数据挖掘的网络入侵检测系统模型的研究

论述了入侵检测系统的基本概念,结合异常检测和滥用检测,提出了基于数据挖掘的网络入侵检测系统模型。介绍了该系统模型的基本思想,该系统模型通过将预处理的网络数据包送到数据挖掘过程控制模块,产生出能精确描述入侵行为和系统正常行为模式的规则,并且自动产生精确适用的检测模型。     

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。     

一种基于多概念格的分类规则融合方法

从多个数据源进行综合知识发现已经成为当前数据挖掘领域中的一个热点研究问题。然而,由于各数据源中数据的差异,使得从各数据源上提取出来的知识,在相互融合的时候会显示出各自的局部性,有时甚至彼此间会出现矛盾,因此,有效的知识融合方法对挖掘结果的质量是至关重要的。该文探讨了基于多概念格的分类规则挖掘,提出了一种融合不同数据源中的分类规则的方法,该方法能保证规则的完整性,即获得适用于全局的所有分类规则,给出了实验结果并加以验证。     

基于量化相对约简格的分类规则发现

分类是数据挖掘中的一个重要问题．概念格通过概念的内涵和外延及泛化和例化之间的关系来表示知识,因而适用于从数据库中挖掘规则的问题描述．在量化的相对约简格基础上,提出一种新的分类规则发现算法,该算法的生成结果剔除了冗余的分类规则,算法在时间性能、空间性能等方面均有较大的提高．