挖掘关联规则的数组方法

讨论了在大数据库上挖掘关联规则的数组方法.给出了一个数组方法,它效率更高,扫描整个数据库最多两遍.     

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.     

基于事例的自适应关联规则挖掘模型的研究

认为传统的关联规则挖掘模型主要是针对结构化数据 ,其可信度和支持度不能随环境的变化自适应调节 ,即缺乏自适应性 ,而现实中还存在大量非结构化的数据 .针对传统发现模型的不足提出了一个基于事例的自适应关联规则发现模型 ,它不仅可以处理对非结构化数据的数据挖掘 ,而且还可以随着环境的变化自适应调节支持度和可信度 .     

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。     

关联规则挖掘的新模型

对关联规则的不足进行分析,提出了一新关联规则模型,此模型有助于挖掘关联规则的正相关与负相关.并对经典模型进行一定改进.     

基于遗传算法的关联规则挖掘研究

针对图书馆读者借阅信息复杂度过大的难点,采用遗传算法研究关联规则挖掘,并举例说明。     

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     

一种基于记录分区的多值关联规则挖掘算法

根据多值关联规则的属性互不相交的特点,提出基于记录分区的多值关联规则的定理和算法,利用反倾斜技术,在合理的内存支持下,该算法能以至多3次扫描数据库（I／O）的时间复杂度,有效地分布不匀的数据记录集中产生高频项目集（frequent itemsets)。     

一种有效的基于约束的关联规则发现算法

基于约束的关联规则挖掘是针对特定约束的规则的挖掘,挖掘的结果有着更好的针对性和实用性,Separate算法是现有的效果较好的算法,但有2点不足：未修剪生成的候选集和候选项重复生成。对此该文提出了改进的SeparateP算法,算法中加入了对候选集的修剪,并且利用了项集重复生成的信息,使候选集的修剪更加有效快捷。实验表明,改进算法显著提高了原算法的效率。     

基于关联规则的考试数据挖掘

以总结学生各门考试成绩内在联系规则为目的,构建事实星座模型对考试数据所组成的数据仓库进行描述,并采用关联规则挖掘方法中的Apriori算法,对数据仓库中的数据进行分阶处理,生成频繁数据集,发现了各门成绩潜藏的内在规则,得出了一门功课成绩的好坏是由多门功课学习成绩情况所决定的结论,该结论能为教育决策提供一定的依据．     

一个新的挖掘广义关联规则算法

在分析广义关联规则基本模型和求解在规则的基本性质基础上，提出一个新的基于关系操作的挖掘广义关联规则算法，该算法既使用了成熟的关系操作又充分利用先验，在多概念层上交互挖掘关联规则，有很好的实用性。     

一种基于限制的关联规则数据开采的算法

针对海量数据库开采时，现有的关联规则算法效率非常低下的问题，提出一种附加最小保证度的限制，并在此基础上提出一种新开采算法，可减少频繁项目集的数量，并显著地降低I/O时间和CPU时间。     

基于云模型的关联规则挖掘方法

目前对关联规则的研究主要集中在对布尔型属性关联规则的挖掘,本文引入基于云模型进行数据量型属性关联规则的挖掘的方法,并定义云关联规则“如果Ｘ是Ａ则Ｙ是Ｂ”,其中、Ａ、Ｂ分别是属性Ｘ和Ｙ中由云模型描述的概念。利用这种方法得到的关联规则更容易让人理解,也克服了传统划分边界过硬的问题,在此基础上,定义了在挖掘云关联规则中支持率、可 和相关性的计算公式,并阐明了它的一般性,即传统的硬划分及经典的布尔型属性关     

一种基于布尔向量的Apriori改进算法

从分析布尔向量与项集支持度的相关性质人手,利用计算机的逻辑"与"运算的高效率性以及通过布尔向量计算项集支持度的简单性,提出了基于布尔向量的关联规则挖掘算法.该算法只需一次扫描数据库,无需候选项集和"剪枝"操作,极大地提高了算法的效率.     

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.     

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.     

区间值数据库上的正态关联规则

通过等距处理在数据库的区间值上取样,应用模糊c-方法算法确定正态模糊数的两个参数,借助正态模糊数模型来软化数量属性论域的划分边界,给出正态关联规则的挖掘方法与预测方法,由于文中的方法能将数量属性的正态关联规则的问题转化为布尔属性的关联规则的问题,因此容易被人理解和掌握。     

数据库中标准加权关联规则挖掘算法

在原有的关联规则挖掘算法的研究中,认为所有的属性的重要程度相同,提出标准加权关联规则的挖掘算法,能够解决因属性重要程度不一样带来的问题。     

基于关联规则的动态数据库快速挖掘算法

关联规则的动态快速挖掘算法(Dynamic Fast Mining Algorithm,DFMA),不需要重复扫描原始数据库,克服关联规则挖掘最具代表性的方法Apriori算法耗时多、无法在线挖掘等诸多弱点。可支持在线挖掘及渐进式挖掘的需求。利用DFMA多层同步处理与更新的特性,搭配敏感度指数的定义,可以被用来挖掘对决策者有用的实时性信息。