数据变化关联规则挖掘方法及算法

数据 中有许多数据是处于不断变化中的,对于这些数据,人们希望能对其未来的取值作出预测,预测的结果并不需要知道这些数据的具体取值,而只需得出一个变化范围,提出发现此类变化中关联规则的２种算法。     

基于数据立方体的维内关联规则挖掘算法

针对数据立方体的结构特点，结合联机分析处理技术，提出了两种基于数据立方体的维内关联规则挖掘算法，以合肥农河超市实际数据作为测试数据，给出了两种算法的实验结果，结果表明，两种算法在不同支持度情况下执行效率存在明显差异，分别适合在高支持度和低支持度情况下进行关联规则挖掘。     

零售业销售数据关联规则挖掘算法关键思想研究

对零售业销售数据关联规则挖掘算法的关键思想进行了研究，给出了各种提高算法效率的方法以及对规则选择的方法。     

基于关联规则的质量信息挖掘应用研究

基于关联规则的数据挖掘原理和方法能够帮助管理者进行有效决策.提出一种具有关联规则分析功能的通用质量管理信息系统框架,其中的关联分析模块能够对质量数据进行深层次挖掘,通过某大型制造企业质量管理信息系统的实施表明,该通用框架能够支持质量管理的持续改进,有效提高质量数据分析的精确性.     

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。     

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。     

基于粒计算的多层次关联规则挖掘技术研究

粒计算理论是一种看待客观世界的世界观和方法论.基于粒计算的多层次关联规则挖掘,引入了粒计算思想,采用多层次化二进制编码表示,只须一次数据集扫描便可获得所有叶节点粒,并能够由子粒的"或"、"与"运算获得父粒和多项集,简化求频繁-项集的求取方法,降低了算法的时间复杂度和空间复杂度提高了算法的效率.     

应答型数据的关联规则挖掘算法

分析了关联规则传统挖掘方法在应答型数据应用领域中的不足,定义出应答试题与应答者的信息量度量策略,在此基础上提出一种新的基于信息量的关联规则挖掘算法.     

利用梯形隶属云挖掘数量型数据关联规则

数量型数据关联规则挖掘方法是将数据库中之数量型数据先基于梯形隶属云进行概念划分,然后利用得到的概念对数量型数据进行布尔型处理,处理后的数据就可以使用成熟的布尔型关联规则挖掘算法进行挖掘.     

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。     

关联规则挖掘研究综述

介绍了关联规则挖掘的一般概念,并对一些典型算法进行了介绍,展望了关联规则挖掘的未来研究方向.     

数据挖掘中关联规则集的优化

尝试重新定义了正关联规则和负关联规则,并给出它们的兴趣度,从而统一了正、负关联规则的评价标准.在此基础上,采用逻辑的方法查找极小矛盾集以判定关联规则集的一致性,通过修改极小矛盾集中的规则消除关联规则集的不一致,从而优化原有的关联规则集.     

数据挖掘中关联规则的算法及应用

从数据挖掘关联规则的性质出发,使用一种简单、实用的基于布尔矩阵的有效挖掘算法,来提高频繁项集的产生效率。阐述了该算法的思想,并将产生关联规则的方法应用于产品销售,快速获取隐含在销售数据库中的有用信息。     

数据集中多属性关联规则发现算法

对数据挖掘中的多属性关联规则算法进行了探讨,给出了关联规则发现算法的相关概念（关联规则、支持率、可信度）和关联规则发现算法,并说明了传统查询工具在数据挖掘中的作用,以及该算法需要进一步研究的内容。     

基于聚类的周期关联规则的数据挖掘

介绍了关联规则挖掘的研究情况,提出了基于聚类的周期关联规则挖掘算法,分析了该算法存在的问题并提出解决方案,展望了关联规则挖掘的未来研究方向.     

基于聚类的周期关联规则的数据挖掘

介绍了关联规则挖掘的研究情况，提出了基于聚类的周期关联规则挖掘算法，分析了该算法存在的问题并提出解决方案，展望了关联规则挖掘的未来研究方向．     

一种改进的关联规则并行算法

经典的关联规则求解算法(如Apriori算法)是串行算法,当数据量比较大时挖掘效率较低;提出了新的并行BVP算法,BVP算法通过多线程并行读取数据并计算相应的数据特征,然后计算频繁项集和关联规则;实验结果表明:相对于经典Apriori算法,算法执行效率更高。     

基于Apriori算法的多维关联规则挖掘研究

关联规则是数据挖掘中的一个重要研究方向.经典的Apriori算法是一种最有影响的挖掘布尔型关联规则频繁项集的算法,但其并不适合挖掘近年来兴起的多维数据模型.在改进Apriori算法的基础上,提出了一种"二次剪枝"的算法,此算法适用于挖掘多维关联规则,并且在一定程度上提高了算法效率.     

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．     

基于数据挖掘的课程相关性分析系统的应用研究

本文论证了采用关联规则算法进行数据挖掘,以发现课程之间相关性的可行性。数据挖掘部分采用经典的Apriori算法,并引入了感兴趣度的概念,对挖掘结果进行进一步的清理,从而提高了系统的性能。