基于数据立方体的多维关联规则的挖掘方法

总结了现有基于数据立方体的多维关联规则挖掘算法，在此基础上将联机分析处理(OLAP)的钻取操作引入关联规则挖掘过程，提出Apriori_cubc算法的改进算法。通过动态调整立方体的维层次，来挖掘出用户感兴趣的关联规则。     

关联规则的启发式发现方法

文章分析并阐述了数据挖掘技术领域中的关联规则,通过使用启发式方法&&`规则模板'(rule template)的简单机制描述用户感兴趣的规则结构.最后,提出了一种规则可视化与规则模板相结合的方法.     

影响关联规则挖掘的有趣性因素的研究

关联规则挖掘是数据挖掘研究中的一个重要方面,而其中一个重要问题是对挖掘出的规则的感兴趣程度的评估。实际应用中可从数据源中挖掘出大量的规则,但这些规则中的大部分对用户来说是不一定感兴趣的。关联规则挖掘中的有趣性问题可从客观和主观两个方面对关联规则的兴趣度进行评测。利用模板将用户感兴趣的规则和不感兴趣的规则区分开,以此来完成关联规则有趣性的主观评测;在关联规则的置信度和支持度基础上对关联规则的有趣性的客观评测增加了约束。     

前后部项约束关联规则并行化算法

为了解决大规模数据环境下挖掘出的关联规则过多,用户需要耗费大量时间在这些关联规则中寻找自己感兴趣规则的问题,提出了一种基于Map/Reduce并行化编程模型的前后部项约束关联规则挖掘算法FRPFP.通过对用户感兴趣的规则前后部项进行标记和分组挖掘,并在各分组挖掘过程中根据标记的规则前后部约束项,对事务集进行压缩,从而筛选出有效的频繁项集,最终得到含有用户感兴趣项的关联规则.该算法在Spark框架中实现,实验结果表明,该算法能够有效地减少冗余规则的产生,计算开销较少,具有较好的规模增长性.     

数据挖掘中的关联规则算法研究

随着计算机技术和信息技术的飞速发展,数据挖掘已经成为当今各行各业重点关注的对象。关联规则挖掘是数据挖掘中的一个非常重要的内容,通过关联规则挖掘能够从海量数据中分析出数据与数据之间存在的关系,进而为用户提供更具有参考价值的信息。现阶段关联规则挖掘已经广泛应用于保险、股市、网络数据等多个对市场信息高度依靠的行业。本文从关联规则挖掘相关概念出发,对其主要操作步骤进行了简单分析,并研究了数据分割下的挖掘问题及算法。     

线性关联规则研究

首先讨论了布尔型关联规则的不足,然后提出了线性关联规则的概念,详细讨论了线性关联规则的挖掘方法,具体给出了线性关联规则的挖掘过程,分析了线性关联规则的作用。还给出了实验结果,并将线性关联规则和布尔型关联规则及定量关联规则进行了比较。     

数据挖掘中的关联规则分析

本文首先对关联规则中的不足进行了分析,然后提出了关联规则分析这一重要的思想,并在此基础上又提出了关联规则树、关联规则路径等概念来描述关联规则之间的关系,并且讨论了利用关联规则分析对关联规则库中冗余规则的删除,从而使关联规则库更加简洁。     

关联规则的启发式发现方法

文章分析并阐述了数据挖掘技术领域中关联规则,通过使用启发式方法－“规则模板”（ｒｕｌｅ ｔｅｍｐａｔｅ）的简单机制描述用户感兴趣的规则结构。最后,提出了一种规则可视化与规则模板相结合的方法。     

关联规则的分层表达

关联规则通常以规则列表形式表达,而许多关联规则挖掘算法往往产生大量规则,这给用户理解规则和从中找出感兴趣的规则带来了极大困难。为了标识重要的规则,而又保持挖掘结果的完整性,提出了根据规则的通用性,按照由概括—具体的方式分层表达关联规则。先用挖掘结果的最概括规则集表达出最通用、最基本的领域知识,再根据用户要求分层查看概括规则下面更具体的规则。这种表达方式可以在不同层次上查看关联规则,使挖掘结果更容易管理和被人理解。     

基于粗糙集的多维关联规则挖掘方法

海量的数据使得关联规则挖掘非常耗时,而并非所有的规则都是用户感兴趣的,应用传统的挖掘方法会挖掘出许多无关信息。此外,目前大部分算法是针对单维规则的。因此,定义了一种挖掘语言使得用户可以指定感兴趣的项以及关联规则的参数（如支持度,置信度等）,并提出一种基于粗糙集理论的多维关联规则挖掘方法,动态生成频繁集和多维关联规则,减少频繁项集的生成搜索空间。实例分析验证该算法的可行性与有效性。     

An efficient cluster and decomposition algorithm for mining association rules

Conventional algorithms for mining association rules operate in a combination of smaller large itemsets. This paper presents a new efficient which combines both the cluster concept and decomposition of larger candidate itemsets, while proceeds from mining the maximal large itemsets down to large 1-itemsets, named cluster-decomposition association rule (CDAR). First, the CDAR method creates some clusters by reading the database only once, and then clustering the transaction records to the kth cluster, where the length of a record is k. Then, the large k-itemsets are generated by contrasts with the kth cluster only, unlike the combination concept that contrasts with the entire database. Experiments with real-life databases show that CDAR outperforms Apriori, a well-known and widely used association rule.     

最简关联规则及其挖掘算法

传统关联规则挖掘算法往往产生过多规则而难以被决策者所采用。针对该问题，文章从应用的角度提出了最简关联规则，其特点是后项只包括一种产品，同时追求规则前项产品项数的最小化，在此基础上给出了一种最简关联规则挖掘算法。利用该算法得到的最简关联规则集包括的规则数量大为减少且能得出与全部关联规则集相同的决策，避免了大量的冗余挖掘，提高了挖掘效率和应用效果。     

基于区间概念格的规则优化方法与应用

区间概念格理论是在区间参数基础上提出的一种新的对象挖掘方法,它能够更精确地处理不确定信息。区间参数[[α,β]]决定了区间概念和格结构,并对区间关联规则产生影响。针对区间参数对关联规则的控制和优化问题,首先提出了基于参数变化的区间概念格结构更新算法,随着区间参数等步长变化,对初始格结构进行更新;然后在此基础上进一步挖掘各区间参数下的关联规则,发现区间参数和关联规则之间的复杂联系,给出了规则库优化算法,该算法通过调整参数达到控制和优化规则的目的;最后对决策形式背景进行规则提取并验证了区间参数对关联规则的具体影响。     

一种含负项目的一般化关联规则挖掘算法

传统的关联规则是形如A→B反映正项目之间关联关系的蕴涵式,它无法反映出数据之间隐藏的负关联关系.在表达式中引入负项目,将这种传统的关联规则扩展成包含正、负项目的一般化关联规则.介绍了一般化关联规则的概念及其相关性质定理,并加以证明,提出了一种基于频繁模式树的挖掘混合正、负项目的一般化关联规则的MGPNFP算法,对其性能进行了分析,并比较了MGPNFP算法比现有的挖掘含负项目关联规则的算法所具有的优势.     

动态加权关联规则算法的分析与实现

加权关联规则算法存在2个不足：(1)不满足向下封闭性要求,即频繁集的子集未必是频繁集;(2)加权关联规则不能很好地处理不同项目的不同重要性,真正地体现不同项目重要性的不同。针对上述问题,提出一种动态加权关联规则算法,算法根据项目的重要性和最大频繁项目集数量确定项目不同阶段的不同权重,充分体现不同项目的重要性是不同的,从而使算法的向下封闭性得到证明。实验结果表明,该算法具有较高的准确性及效率。     

基于量化规则格的关联规则渐进更新*

提出一种基于量化规则格的规则更新算法,重点讨论了在新增格节点的过程中规则更新的思想,实现在格的渐增生成过程中,相应的关联规则也得到渐进更新.最后给出简单实例说明规则更新算法的正确性.     

图像纹理联合关联规则挖掘研究

提出以纹理联合关联规则来表达图像纹理特征以及挖掘纹理联合关联规则的算法。在纹理关联规则定义基础上,通过图像降噪预处理和数据挖掘预处理,采用模板统计挖掘方法挖掘低维和高维图像纹理联合关联规则。实验表明联合关联规则能够较好表达图像纹理特征,可以据此进行纹理分割。     

在概念格上基于最大频繁项集关联规则提取算法

许多研究表明概念格是数据分析与规则提取的一种有效工具.本文首先提出基于最大频繁项集幂集格上的规则提取算法.然后对此种算法进行改进,在已建好的概念格上直接从最大频繁项集进行规则提取,因而提高了挖掘关联规则的效率,适用于大型数据库中关联规则的挖掘.     

对象粒度的概念格增量维护与关联规则更新

研究对象粒度的概念格维护和关联规则更新是动态环境下概念格应用的实际需要。研究了概念格更新的规律,证明了加入新的对象时概念的生成及其插入位置只与最新生成的概念有关,与先前生成的大量概念无关。发现了概念的内涵缩减可以决定这个概念蕴涵的关联规则,同时发现了概念的内涵缩减由这个概念和其父概念的内涵差集决定。根据上述观点提出了基于对象粒度的概念格关联规则更新的方法。     

基于量化规则格的关联规则之分布式获取

在形式概念分析中,提取关联规则是构造概念格的目的之一。量化规则格是为了便于提取规则的扩展概念格。概念格分布处理是先分布构造多个部分概念格,再合并构造出完整概念格,以提高构造格的速度。本文提出一种规则合并技术和相应的算法,由部分量化规则格提取部分关联规则,然后直接进行部分关联规则的合并,得到完整的关联规则,即对关联规则进行分布提取。由于无需构造完整格,并且直接再利用已有的部分关联规则,从而降低了利用概念格提取关联规则的复杂度。最后,给出一个简单的实例,说明算法的正确性,并通过实验验证了算法的有效性。