关联规则挖掘技术在高校人才培养模式中的应用

简述了关联规则挖掘技术及其在高校人才培养模式中的应用,并从高校已培养人才的大量相关数据中找到大学生毕业前在校表现情况与其在工作单位表现情况之间的关联关系,为高校决策人员决定学校采用什么样的人才培养模式提供科学依据.     

关联规则在高校科研管理工作中的应用

在高校的科研管理工作中应用关联规则挖掘技术,通过挖掘教师的科研成果数据,可以得到教师科研工作中的潜在信息,辅助决策下一阶段的科研管理工作。     

关联规则的数据挖掘在高校图书馆系统中的应用

简要介绍了关联规则的数据挖掘以及Apriori算法,对Apriori算法优缺点和性能进行分析,并将Apriori算法应用于高校图书馆管理系统,给出了系统的完整实现过程通过分析数据挖掘的结果,寻找各个学科领域中的一些相互关联的知识、辅助教师的教学工作,优化图书馆的馆藏布局。     

关联规则挖掘在优化高校馆藏结构中的应用

简要介绍了关联规则挖掘以及Apriori算法,并将Apriori算法应用于高校图书馆流通数据,从读者需求的角度出发挖掘借阅图书之间的关联,为图书采购工作提供理论依据,优化图书馆的馆藏结构。     

关联规则在高校学位预警中的应用

关联规则挖掘算法能发现大量数据中项集之间相关的关联,运用Apriori算法对计算机科学与技术专业某一届毕业生成绩数据进行挖掘,得到了不能授予学位学生的不及格课程规律,这些规律对低年级学生的学习和在学位预警中具有一定的指导意义。     

关联规则在高校招生录取决策中的应用研究

根据当前高校招生政策中存在的主要问题，利用数据挖掘技术中的关联规则，以某高校招生录取信息库数据为实验进行了标准化、离散化处理，并采用经典Apriofi算法进行挖掘，找出了信息间的隐藏关系，并得到了合理可靠的关联规则，从而为高校录取提供了有效的决策作用。     

关联规则Apriori改进算法

在分析关联规则和Apriori算法原理的基础上,针对Apriori算法瓶颈提出一种改进算法,该算法直接产生项数最大频繁项目集.改进算法访问的数据量明显减少,尤其适用于只寻找项数最大的频繁项目集的情况,尤其适用于稀疏数据.实验结果表明改进算法提高了算法效率,改善了算法的性能.     

关联规则技术在数据挖掘中的应用

数据挖掘技术的诞生,使我们能从大量的数据中提取对决策者有用的信息,20世纪90年代初,R.Agrawal等提出了关联规则挖掘技术.关联规则挖掘是为了发现大量数据中项目集之间感兴趣的相关性信息.经过十余年的发展,关联规则挖掘已经成为数据挖掘技术中较为成熟并很重要的一种方法.文中系统描述了关联规则挖掘所涉及的概念、关联规则挖掘算法和关联规则应用领域等.     

关联规则挖掘及其在高校图书馆工作中的应用

介绍了关联规则的基本原理,阐述了关联挖掘分析的过程及结果,论述了关联挖掘分析结果在图书馆工作中的应用。     

关联规则在居民集抄管理系统中的应用

介绍了居民集抄系统的设计原理及工作过程,并将数据挖掘的关联规则应用于居民集抄系统。通过分析集抄数据库中大量的具体数据,提取出潜在有用信息为线损分析、三相不平衡分析和防窃电等实际应用提供重要的参考依据。     

数据挖掘中关联规则算法的研究及应用

针对Apriori和AprioriTid算法中存在的项集生成瓶颈问题,提出了一种基于事务集压缩、候选项集压缩和支持度布尔矩阵的改进AprioriTid算法.该算法中通过删去不必比较的事务来有效缩减数据集;优化频繁项集的自连接方式来减少生成的候选项集个数;使用支持度布尔矩阵来加快候选项集的验证速度.实验结果表明改进算法比原算法执行效率明显提高,同时也验证了该算法在油液监测故障诊断中的有效性.     

挖掘关联规则中Apriori算法的一种改进

算法减少连接次数以及扫描数据库的次数从而缩短数据库扫描时间,利用项集有序性改进判断是否进行连接的策略,并利用标志位变化逐步消除无用事务,从而实现了事务压缩和项目压缩, 同时减少了判断时间。实验结果表明,经过优化了的Apriori算法在运行效率上有一定的提高。     

分布式环境下约束性关联规则的快速更新

研究分布式环境下约束性关联规则更新问题,包括数据库中事务增加和删除2种情况.引入向导集的概念,提出基于全局局部模式的约束性关联规则增量式更新算法DUCAR,其中包括局部约束性频繁项目集更新算法ULFC和全局约束性频繁项目集更新算法UGFC.该算法充分利用原先的挖掘结果提高更新效率,首先从最高维的频繁n项目集进行更新,在更新过程中考虑约束条件,结合剪枝算法,生成较少数量的满足约束条件的候选项目集.将该算法用Java加以实现,采用多组数据对此算法的性能进行测试,并与其他算法作对比实验,实验结果表明,该算法是高效可行的.     

关联规则维护方法的研究

频繁项目集是满足最小支持度和最小置信度下的一个项目集合,但随着最小支持度的不同,就会产生不同的频繁项目集,而频繁项目集的发现又是一个高花费的过程.该文提出一个新的维护算法,用来解决关联规则的更新维护问题.     

关联规则挖掘算法研究

本文论述了关联规则的基本概念、分类、基于频繁项集思想的关联规则挖掘算法——Apriofi算法，以及在基础上对Apfiofi算法的各种改进算法。然后对基于非频繁项集的各种关联规则挖掘算法，多维多层次挖掘算法思想进行了讨论。最后指出了关联规则挖掘的未来研究方向。     

基于关联规则的数据挖掘在临床上的应用

随着医院信息系统(Hosp ital Inform ation System,H IS)在医院的广泛应用,特别是数字新技术在门诊系统中的广泛应用,医学数据挖掘提高了医院信息管理水平,为疾病的诊断和治疗提供了科学的、准确的决策.本文使用关联规则中的Apriori算法挖掘医院病人的就诊资料,并且归纳出症状及疾病间之关联规则,并探讨其在医疗信息系统的应用.     

基于关联规则挖掘的运动员体能指标优化分析

数据挖掘就是利用机器学习的方法从大量数据中提取有价值知识的过程.本文以运动员体能测试数据为分析对象,研究应用数据挖掘技术解决运动员体能指标优化分析问题的方法.文中重点介绍了关联规则挖掘的原理与方法,提出并实现了适宜于网球运动员体能指标优化分析的算法,并进行了实际应用,发现了出乎常规的规律.     

数据挖掘中关联规则更新算法的研究

在实际应用中，数据库不是静止的，它会随着数据记录的增加而不断地改变，因此，对于已经挖掘出来的关联规则的维护问题在KDD系统成为一个新的挑战。本文主要对典型的关联规则更新算法FUP及FUP^*进行分析、探讨和评价。     

基于等价关系的关联规则的挖掘

由于在实际的数据挖掘过程中容易出现无用的频集和冗余的规则，所以降低频集和规则的冗余度可大大提高挖掘的质量，这也是数据挖掘中一直被关注的问题，提出了一个用等价类生成关联规则的方法，算法主要在频集的基础上建立项集的等价关系，进而对项集划分等价类，同时将得到的关联规则划分为精确关联规则和近似关联规则两个集合，通过等价类，不但可以很容易地生成所需要的关系规则，同时可以方便地判断数据之间依赖关系的强弱，同时，项集的等价关系在实际应用中也很有利用价值，算法最后的规则结果集剔除了由来自同一等价类中的面集的重复出现构成的冗余规则，从而得到了较小的关联规则集合。     

关联规则更新的新算法

考虑事务数据库D不变,项目集I发生变化时的关联规则挖掘问题.提出了两种关联规则更新算法,解决增加项目或减少项目时的关联规则更新问题.与重新运行一遍Apriori算法相比较,其运行效率有显著提高.