模糊关联规则的加权挖掘算法

从实际应用角度，在对模糊关联规则挖掘算法进行改进的基础上，提出了模糊关联规则的加权挖掘算法（FARMA），以及简化的关联规则的加权挖掘算法（SFARMA），通过实验验证了算法的可行性，并对算法的性能进行了讨论。     

针对高项频繁集的关联规则改进算法

关联规则挖掘是数据挖掘中的重要研究内容之一，Apriori算法是其中的经典算法，而频繁集的提取问题则是Apriori算法中的关键。该文对Apriori算法性能进行了分析，针对其中的连接步和剪枝步实施了改进，提出了MApriori算法。并通过算法仿真实验对这两种算法进行了比较，结果证明改进后的算法加快了高项频繁集的产生速度，从而提高了挖掘的效率。     

利用语义进行Web结构挖掘

本文论述了利用语义挖掘Web结构、Web使用挖掘进行了基于语义挖掘方法的探讨，并对PageRank算法进行了分析，针对该算法的不足之处进行了改进。     

挖掘关联规则中Apriori算法的一种改进

对挖掘关联规则的Apriori算法关键思想以及性能进行了研究。给出了该算法的一个改进算法，该改进算法提高了原算法的性能。     

关联规则和分类规则挖掘算法的改进与实现

对Apriori关联规则挖掘算法提出了一种改进方法，使其可以有效地压缩数据规模，提高了原Apriori算法的执行效率。此外，还对OCI分类规则挖掘算法提出了改进，扩展了该算法的适用范围。同时，该采用这两个改进算法实现了一个数据挖掘原型系统。     

一种改进的Apriori挖掘关联规则算法

关联规则挖掘可以发现大量数据中项集之间有趣的联系，并已在许多领域得到了广泛的应用。但传统关联规则挖掘很少考虑数据项的重要程度，这些算法认为每个数据对规则的重要性相同，实际挖掘的结果不是很理想。为了挖掘出更具有价值的规则，文中提出了一种加权的关联规则算法，即用频度和利润来标识该项的重要性，然后对经典Apriori算法进行改进。最后用实例对改进后算法进行验证，结果证明改进后算法是合理有效的，能够挖掘出更具价值的信息。     

基于Apriori算法的多循环关联规则挖掘综述

介绍了基于Apriori算法的关联规则挖掘的研究状况，对一些典型采掘算法进行了分析和评价，总结和归纳了国内外学者对Apriori的改进，展望了关联规则挖掘的未来研究方向。     

频繁项集挖掘的研究与进展

挖掘频繁项集是许多数据挖掘任务中的关键问题，也是关联规则挖掘算法的核心，所以提高频繁项集的生成效率一直是近几年数据挖掘领域研究的热点之一，研究人员从不同的角度对算法进行改进以提高算法的效率。该文从频繁项集生成过程中解空间的类型、搜索方法和剪枝策略、数据库的表示方法、数据压缩技术等几个方面对频繁项集挖掘的基本策略进行了研究，对完全频繁项集挖掘、频繁闭项集挖掘和最大频繁项集挖掘的典型算法特别是最新算法进行了介绍和评述，并分析了各种算法的性能特点，指出其适于哪种类型的数据集。最后，对频繁项集挖掘算法的发展方向进行了初步的探讨。     

基于改进的AprioriAll算法的Web序列模式挖掘研究

为了减少AprioriAll算法挖掘过程中候选序列的生成以及对序列数据库的扫描次数,提高算法的挖掘效率,提出了一种基于改进的AprioriAll算法的Web序列模式挖掘方法.首先对数据进行预处理,然后利用经过改进的AprioriAll算法进行模式挖掘.算法的改进主要有两点:一个通过改变候选序列的连接方式来减少候选序列的产生;二是通过减少不必要的数据库扫描操作来提高算法的效率.通过实验验证了改进后算法在Web序列模式挖掘过程中的高效性和正确性.     

基于垂直分布方法的关联规则算法及改进

数据挖掘中的关联规则挖掘近些年一直是人们研究的热点。但是关联规则挖掘的经典算法Apriori存在着挖掘效率低、系统开销大等问题。AprioriTid、DIC等算法,也仅从某一方面进行了改进。针对上述问题,提出了一种新的改进算法,新算法从三大方面对原有的算法进行了改进,以此提高算法的效率,降低系统的开销。     

改进的频繁模式挖掘算法

为解决传统频繁模式挖掘算法效率不高的问题,提出了一种改进的基于FP-tree （Frequent pattern tree）的Apriori频繁模式挖掘算法.首先,在Apriori算法的连接步加入连接预处理过程;其次,对CP-tree （Compact Pattern tree）进行扩展,构造了一个新的树结构ECP-tree （Extension of Compact Pattern tree）,新的树结构只需对数据库进行一次扫描就能构造出一棵紧凑的前缀树,且支持交互式挖掘与增量挖掘;然后,将改进点与APFT算法结合,用于挖掘频繁模式;最后,使用UCI数据库中两个数据集进行实验.实验结果表明：改进算法具有较高的挖掘效率,频繁模式挖掘速度显著提升.     

应用Web结构挖掘的PageRank算法的改进研究

随着Internet技术的发展,Web网页成为人们获取信息的有效途径,Web数据挖掘逐渐成为研究的热点。基于Web结构挖掘的PageRank算法存在不足的情况下,提出了一种改进的算法,实验结果证明改进的算法较原算法具有较好的效果,具有一定的实用价值。     

一种Web日志序列模式挖掘的改进方法

Web序列模式挖掘是Web数据挖掘重要研究内容之一。在WAP算法的基础上提出了一种改进算法,该算法在Web序列模式挖掘过程中不需要反复生成条件树,从而提高了算法的运行效率。实验表明,该算法在运行时间上相对于WAP算法具有明显的优势。     

分组Apriori在图书借阅系统中的应用研究

简要介绍了数据挖掘技术产生的背景及其分类,阐述了数据挖掘技术中的一个重要分支-关联规则挖掘,研究分析了Apriori算法的不足。利用分组技术对原算法改进,然后把分组Apriori算法应用到数字化图书馆借阅系统中,对读者提供个性化的图书推荐服务。利用某高校已有的图书借阅历史信息,对分组Apriori算法和Apriori算法测试,证明分组Apriori算法相比于Apriori算法确实提高了数据挖掘效率。     

改进的遗传算法在Web使用挖掘中的应用

Web使用挖掘是近年来Web数据挖掘中的研究热点。针对传统遗传算法在提取关联规则问题时常采用固定染色体交叉概率和染色体变异概率,容易出现早熟、收敛速度较慢的问题,提出了改进的遗传算法,并在关联规则的提取中增加了用户页面兴趣度这一阈值,成功地运用到某商业网站服务器日志挖掘。实验证明,这种改进的遗传算法能够有效避免早熟收敛现象,是一种有效的方法。     

基于网格的数据挖掘算法

为了克服传统数据挖掘算法与分布式数据挖掘算法的不足．提出了一种基于网格平台的数据挖掘算法,并改进了原有的Apriori算法,使其应用于网格平台。基于网格的数据挖掘算法具有合并计算力,安全,高效,节约硬件成本等优势已越来越受到学术界的重视。     

基于Apriori算法的改进算法

挖掘关联规则是数据挖掘中一个重要的课题,产生频繁项目集是其中的一个关键步骤。提出了一种改进算法,并将该算法与Apriori算法进行了比较。该算法只需要对数据库扫描一遍,并且存放辅助信息所需要的空间也少,结果表明该算法对关联规则挖掘较为有效。     

多层关联规则挖掘算法的研究及应用

针对商业银行业务系统中海量数据的分析和研究问题,提出了一种改进频繁项集挖掘算法FP-growth的多层关联规则数据挖掘算法.在对大量商业银行业务交易处理内在规律研究的基础上,依据利润度进行划分,使得该算法在满足用户需求的基础上,有效的缩小了层次结构树的规模,又加快了搜索的速度,从而提高了数据挖掘的效率.模拟算例表明,该算法有效可行,能够更好地适应商业银行交易系统层次结构在大型数据集的数据挖掘.     

遗传算法在关联规则挖掘中的应用

数据挖掘是关联规则中一个重要的研究方向。该文对关联规则的数据挖掘和遗传算法进行了概述,提出了一种改进型遗传算法的关联规则提取算法。最后结合实例给出了用遗传算法进行关联规则的挖掘方法。     

加权关联规则的改进算法

论文讨论了加权关联规则问题,针对布尔类型的加权关联规则问题提出一种改进算法。该算法首先利用普通的关联规则算法产生频繁集,然后在该频繁集的基础上产生加权频繁集。同时,给出了最优的最小支持度设定方法,保证了普通关联规则算法所产生的频繁集为加权频繁集的超集。该算法有较高的效率,并且能够有效利用已有的关联规则算法。