基于定量关联规则树的分类及回归预测算法

为了解决基于Apriori的分类关联规则算法挖掘数值型数据时效率和准确率偏低的问题,提出基于定量关联规则树的分类及回归预测算法。采用改进的定量关联规则算法挖掘数值型数据生成关联规则库,并基于关联规则树结构实现分类及回归预测。研究结果表明：改进的Apriori定量关联规则挖掘算法提高了分类预测的准确率并降低了计算复杂度;而采用关联规则树结构可使分类与回归预测时间明显加快,提高了样本匹配学习的速度。     

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。     

定量型数据转化为定性数据关联规则挖掘方法

定量型数据转化为定性数据进行关联规则挖掘方法是将数据库中之数量型数据先基于智能模型梯形云模型进行定性数据转化为概念,然后利用得到的概念对数量型数据进行定性处理,处理后的数据就可以使用布尔型关联规则挖掘算法进行挖掘。     

多维多层次挖掘关联规则在商品房交易中的应用

讨论了一种在关系数据库中挖掘关联规则的方法．该方法利用关系数据库的特点．有机地组织概念层次树技术、关联规则挖掘技术进行多维多层次挖掘关联规则．挖掘满足要求的多维关联规则、多层次关联规则、交叉层次关联规则。     

隐私保持关联规则挖掘方法

介绍了隐私保持关联规则挖掘的研究概况，提出了考虑隐私保持的关联规则挖掘分类方法，对现有的隐私保持关联规则挖掘方法进行了分析和评价，并对隐私保持关联规则挖掘的未来研究方向进行了展望。     

北京市企业标准化评审结果分析方法

北京市企业标准化评审后留下了一万多家企业百万余条评分结果,在海量数据的支撑下,可以采用大数据分析手段来探索各扣分项扣分频次之间的相关关系。目前最常用的方法是关联规则挖掘,然而关联规则挖掘只能给出定性的相关关系,无法在定量方面给出结论,使得对数据的信息挖掘停留在定性的水平。神经网络作为另外一种广泛应用的数据挖掘方法能够有效拟合复杂的非线性关系,但是在数据挖掘中,神经网络在输入输出选择上存在很高的试错成本。该文将关联规则挖掘与神经网络方法结合使用,首先用关联规则挖掘筛选出扣分项之间的关联规则逻辑,然后将选出的关联规则作为神经网络的输入与输出进行训练,找到了18项扣分项之中的3项与其他8项之间的强相关关系,神经网络预测值与实际值之间拟合直线的相关系数达到了0.84以上。实验结果表明:该方法可以实现对企业扣分项的相关关系挖掘,并可以将结果用于扣分频次预测。     

一种基于串与运算的关联规则挖掘算法

提高频繁项集挖掘算法的效率一直是数据挖掘领域中关联规则挖掘研究的一个重点。Apriori算法是一种经典的最有影响的挖掘关联规则的算法，该算法虽然能有效地挖掘出关联规则，但是产生的冗余规则多，效率低下。针对数据挖掘的现状及关联规则算法的瓶颈问题，提出一种基于串与运算的关联规则挖掘算法，并对关联规则挖掘的未来研究方向进行了展望。     

改进的AprioriTid算法在试卷质量评估中的应用

在试卷质量评估中结合定量和定性分析,探讨了如何利用数据挖掘方法中的关联规则算法对学生成绩数据进行关联规则挖掘,并引入改进的AprioriTid算法来分析试卷各项定量评价指标与总体定性评价之间的关系.结果表明改进的AprioriTid算法能对试卷质量作出科学的分析且具有较高的效率.     

数值型关联规则挖掘在客户关系管理中的应用

关联规则挖掘方法是数据挖掘领域的一个研究热点。主要探讨了数值型关联规则挖掘方法,介绍了数值型关联规则挖掘在客户关系管理中的应用。     

基于Web日志的数据挖掘的研究及应用

Web日志挖掘是Web数据挖掘中非常重要的一个研究领域和研究方向,首先介绍了Web日志挖掘的过程,然后介绍了关联规则及关联规则算法——FP-growth算法,最后将关联规则中的FP-growth算法应用在网上书店系统中,实现对客户数据的关联规则挖掘。     

基于模糊数值约束的关联规则挖掘

很多时候一个事务记录中所包含的信息除了项目以外,还包括与这些项目相关的数值信息,这些数值信息同样可以作为关联规则的一种约束而存在,基于上述问题,文中提出了一个基于模糊数值约束的关联规则挖掘方法,实验结果表明该方法具有较好的伸缩性。     

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。     

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.     

比较两种挖掘正态关联规则方法

首先采用两种聚类方法确定正态模糊数的两个参数,并借助正态模糊数模型来软化数量属性论域的划分边界,由此生成一系列的正态关联规则.接着给出正态关联规则的挖掘方法,此方法能挖掘出所有有意义的正态关联规则.最后对两种挖掘正态关联规则的方法进行了比较.     

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。     

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.     

数值约束条件下的模糊关联规则挖掘方法

利用模糊集理论, 结合数据库模糊查询、 规则模板及语言量词等概念和方法, 通过数值信息对规则做进一步约束, 解决了关联规则挖掘中未考虑与项目相关数值信息的缺陷, 提出了基于模糊数值约束的关联规则挖掘, 实验结果表明, 所提出的挖掘方法具有良好的伸缩性, 挖掘效果更具有针对性.     

一种关系数据库中基于云模型关联规则的提取

为了发现有效的关联规则，属性在比较高的水平被范化，允许相邻属性值或者语言项的重量．这种软划分可以映射人类的想法，同时使发现的知识鲁棒．利用云模型的理论与方法求解数量关联问题，给出了一种云关联规则的定义，并提出了基于云模型理论支持度和置信度的计算方法，最后提出了一种提取算法Cloud model A．这种方法较好地软化了数量属性论域的划分边界，从而使得挖掘出的云关联规则更容易被人理解。     

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。