改进的关联算法在高校学生综合测评中的应用

利用数据挖掘的关联规则对淮北职业技术学院教务系统中的学生信息进行分析,采用Apriori算法完成学生数据间的关联挖掘,生成关联规则。发现影响学生综合测评的因素,为教学管理部门提供参考。     

关联规则在浙江电大教务管理系统中的研究

近年来,随着我国高等教育的快速发展,高校办学规模不断扩大,教务管理部门任务繁重,全面实现教务管理网络化、信息化已迫在眉睫。为改进教务管理手段,各高校近年来纷纷采用教务管理系统软件。本文从理论出发,最后利用关联规则中的Apriori算法进行了简单的实例。     

关联规则技术在高职学生成绩预警中的应用研究

本文通过对数据挖掘中关联规则技术的深入研究,在教务管理数据的基础上,将关联规则技术应用于学生成绩分析中,构建了学生成绩预警模型,建立学籍预警机制,早期发现学生课程成绩不及格,及时进行帮扶,避免学生留级、退学,有效地提高了高职院校的学生管理、教学质量和毕业就业。     

关联规则挖掘在学生成绩分析中的应用

将关联规则挖掘算法Apriori应用于学生成绩分析中，挖掘出隐藏的关联规则，从而发现课程之间的关联关系，为今后教务部门的课程设置以及教师的授课提供参考。     

基于Web信息挖掘的关联推荐算法研究与实现

使用Web数据挖掘技术对用户需求进行分析,其中实现Web信息个性化使用的是关联规则,这一规则能够为用户提供个性化服务,目前已成为Web应用技术的研究热点。该文分析了应用于个性化推荐的Web页面关联规则的特点,对Web数据挖掘技术常用的关联推荐算法进行探讨,内容主要涉及到Web数据挖掘技术、关联推荐算法的思路、算法分析。     

基于关联规则和竞争凝聚算法的高压电缆缺陷识别模型

为便于运维人员及时准确判断高压电缆缺陷类型,提出了一种基于关联规则和竞争凝聚算法的高压电缆缺陷识别模型。该方法基于现有在线监测、离线试验和运维系统等数据,利用关联规则挖掘出不同缺陷类型与状态数据的关联关系,并建立电缆缺陷关联规则库;针对现有关联规则算法只能处理布尔型数据局限,采用竞争凝聚算法对连续型数据进行离散化处理;最后通过实例对所提的模型进行分析验证,仿真结果表明该模型识别准确率高、求解效率高、解释性好,有助于运维人员对电缆进行及时动态的维护管理。     

基于改进数据挖掘Apriori算法的软件风险管理分析

因初始项集中的数据特征相关,使关联规则Apriori算法的数据挖掘结果存在误差.为了解决这个问题,结合粗糙集理论(RST),提出一种改进的关联规则数据挖掘算法;然后,将该算法应用到软件工程风险因素和风险缓解因素管理分析中,提出一种新的软件工程适应性结构.仿真结果表明,该改进算法提高了挖掘数据的效率.     

关联规则的递增修正

关联规则是数据挖掘的重要研究内容．由于数据库中频繁追加新数据,使得已挖掘的关联规则发生变化,递增修正技术用于维护与修正关联规则．讨论了关联规则的递增修正问题,提出了递增修正算法（ＦＩＵ）．ＦＩＵ算法通过减小支持率,将频繁模式集合扩大,访问新追加的数据,对关联规则进行修正．ＦＩＵ算法减少了数据的访问,提高了递增修正的速度．分析了支持率和频繁模式集合大小的关系,并对算法ＦＩＵ和算法ＦＵＰ进行了比较．     

关联规则挖掘在学生成绩管理中的应用

数据挖掘给人们提供了一种新的认识数据、理解数据的智能手段,关联规则是数据挖掘的一种重要模式。本文在研究关联规则挖掘技术的基础上,将数据挖掘技术和关联规则算法运用到学生成绩管理中:以某班学生在校成绩为数据源,分析了课程间的影响关系,从而能够发现导致留级、退学的那些课程。     

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。     

基于关联规则与相似度的数据挖掘算法研究

针对使用传统关联规则算法挖掘大数据集时,挖掘过程中效率不高,挖掘出大量冗余规则的问题,提出了基于关联规则和相似度的数据挖掘算法(U-APR):首先,一次性读入数据并构建矩阵,并利用关联规则支持度度量的特性来增加判断属性,以加快结束迭代过程,从而改进了Apriori算法频繁扫描数据库问题;然后,使用相似度算法去除冗余的关联规则;最后,结合置信度、支持度和用户目标匹配度对挖掘结果进行排序输出,从而得到用户感兴趣的关联规则. 同时,应用该算法与目前常用的2种关联规则算法对广东某高校学生财务数据进行数据挖掘. 实验结果表明:与2种常用的关联规则算法相比,U-APR算法缩短了运算时间和提高了存储空间利用率,对用户分析挖掘结果有较好的优化效果.     

基于FP_Growth算法的关联规则挖掘研究及应用

关联规则的发现对于挖掘数据中的隐含信息非常重要,针对关联规则挖掘算法进行研究,分析了利用FP_Growth算法构建FP-tree和递归挖掘频繁项集的过程,并应用该算法对大学生兴趣爱好问卷调查结果进行分析,通过找出强关联规则,准确了解学生的共同爱好,有助于更好地开展校园文化活动.     

基于关联规则的藏文文献流通特征研究——以西藏大学图书馆为例

文献流通数据记录了读者的借阅行为,文章在分析书目数据库存储结构的基础上,提取了西藏大学图书馆馆藏藏文文献的流通数据,提出了Apriori的改进算法,并使用改进后的关联规则算法分析了藏文文献流通数据,挖掘出流通事务数据中隐含的关联规则。     

临床数据中挖掘关联规则算法的选用

对典型的挖掘关联规则的Apfiori算法和FP-growth算法进行比较分析．然后，结合临床数据的特点，建议在临床数据关联规则挖掘中采用FP-growth算法。     

基于约束关联规则挖掘方法的研究与应用

关联规则挖掘应用于商业等领域,它能发现大量数据中的关联关系,为制定决策提供重要信息。将关联规则应用于客户关系管理,深化CRM的分析功能。针对企业要求和交叉销售的特点,分析基于约束关联规则挖掘方法,提出基于约束的FP-growth算法。分析表明,在CRM中应用基于约束关联规则挖掘方法,可以为企业制定销售策略提供有效的依据。     

稀疏矩阵的关联规则挖掘算法研究

关联规则是数据挖掘中的一种重要模式,自1993年R.Agrawal引入关联规则概念和提出第一个关联规则算法以来,诸多研究人员对关联规则挖掘的算法进行了广泛的研究.但专门研究挖掘稀疏数据的有效算法较少.针对稀疏数据,提出了一个使用简单数据结构——链表的挖掘算法,与其它算法比较,实验结果表明是非常有效的.     

基于PFP的关联规则增量更新算法

对快速增长的数据进行挖掘的有效途径之一是采用增量式更新算法,其中最具代表性的是MRFUP算法。该算法的剪枝策略减少了关联规则的计算,但在处理增长快速的数据时效率过低,且频繁计算新增数据。文章以提高海量数据下关联规则增量更新效率为目标,通过扩展能够并行处理关联规则的PFP算法而提出一种基于PFP的关联规则增量更新算法MRPFP。该算法能充分利用云平台强大的存储和并行计算能力。该算法的实验结果表明,MRPFP处理海量数据的效率优于MRFUP算法,更适用于海量数据的关联规则挖掘。     

基于关键属性约束的关联规则挖掘在日志分析中的应用

日志是计算机取证,入侵检测分析的重要数据来源,运用关联规则挖掘算法对日志进行分析是获取日志中所蕴含有用信息的重要方法.针对基于置信度一支持度框架的常用关联规则挖掘算法在日志分析中存在的不足,引入日志关键属性的概念,提出了基于关键属性约束的关联规则挖掘算法.实验结果表明,该算法能有效阻止无趣规则的产生,提高挖掘结果的有效性.     

基于模式树的关联规则快速算法研究

关联规则算法已成为数据挖掘算法中的重要课题。通过对关联规则挖掘算法Apriori进行分析,指出了该算法存在的三个主要问题。在此基础上,提出一种快速算法来压缩数据存储空间,减小时间复杂度。     

云计算环境下基于张量分解的缺失关联规则挖掘算法

针对云计算环境下由于数据缺失导致关联规则发现误差较高的问题,提出一种基于张量分解的缺失关联规则分布式发现算法,从而建模关联规则、缺失数据并近似它们的置信度.利用Apriori算法进行局部数据相关以获得频繁项集,通过CANDECOMP/PARAFAC (CP)分解方法分解张量置信度,使用共轭梯度算法进行迭代以最小化近似张量的成本,当存在缺失数据的情况下,利用分布式算法将局部相关与全局相关结合发现缺失关联规则.仿真结果显示,算法的平均误差仅为5.55％,最大误差不超过10％,低于其他几种较新的缺失关联规则算法,相比基于聚类的关联规则算法,平均执行时间减少了16.5％.结果表明,所提基于张量分解的分布式算法在缺失数据的情况下,性能优于其他的关联规则算法,能更加有效地提供缺失规则置信度的近似解.