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。     

多属性变化的增量关联规则更新研究

在支持度和事务库发生变化时,如何有效地更新关联规则的问题是目前数据挖掘研究的热点。但当事务库中的属性发生变化时,如何高效地更新关联规则的问题一直都没有引起研究人员的重视。ACA+和ACA-算法对单属性增减后的关联规则进行了研究,在此基础上,提出了解决多属性增减的增量关联规则更新算法MACA+和MACA-。通过建立事务-属性矩阵有效地解决了该问题。     

一种改进的关联规则个性化推荐方法

针对传统的关联规则推荐方法中可能出现的关联规则数量较少的缺点,提出了一种改进的关联规则个性化推荐方法。该方法首先利用商品的属性信息从历史销售数据库中挖掘商品属性间的关联规则作为规则库,然后利用规则库中的规则计算不同商品的推荐价值,最后得到若干推荐价值靠前的最优商品推荐给顾客。     

基于关联规则的IDS规则库构建应用研究

入侵检测系统的检测性能很大程度上取决于规则库的更新.网络安全的日益严峻对入侵检测系统的规则提取提出了更高要求.提出了将关联规则算法运用于入侵检测系统规则库更新的设想,阐述了传统的关联规则算法,并针对其入侵检测系统中的应用进行改进.以Snort为例,详细描述了用改进的关联规则算法挖掘网络数据集,然后将结果转换为入侵检测规则的过程,并以实验说明了应用关联规则构建入侵检测系统规则库的可行性.     

基于项集依赖的最小关联规则挖掘

传统关联规则挖掘可能会得到大量的、杂乱的规则,它们对用户来说是不相关的或不感兴趣的。提出最小关联规则集和项集强依赖关系的概念,以实现基于项集依赖的最小关联规则挖掘算法。其不仅可以避免验证某一频繁项集下的所有非空真子集是否可形成关联规则,还可以通过删除那些过于复杂、有重复信息的规则来进一步简化传统规则集合。通过最小关联规则集可推导得到大多数冗余规则的支持度和置信度,实现了传统规则集的一种近似无损表述。采用UCI机器学习库中数据集进行实验,结果表明提出的方法得到的规则数量明显减少,且规则更加简短、无重复信息,为最小关联规则挖掘提供了更好的方法。     

高效的基于动态数据更新的关联规则挖掘算法

在本文中,我们针对动态关联规则挖掘问题提出两个有效的处理算法,即EIM-A和EIM-G算法.它们能根据数据库的动态变化,高效地进行关联规则的更新.通过知识数据库的维护,最多只需要扫描原始数据库一次,就能得到所需的频繁项目集,能有效地降低更新关联规则所需的成本.     

一种基于冲突检测的无关联规则集匹配算法

防火墙已经成为网络安全体系中一个关键的角色,对防火墙的管理越来越受到重视。本文针对在防火墙管理中容易出现的过滤规则冲突问题和规则匹配效率问题,提出了一种基于冲突检测的无关联规则集匹配算法。本文通过对规则进行分析,确定了规则库中的规则应该符合的五个关系;通过对冲突规则的分类,得到了按照各种冲突的特性进行冲突检测产生的状态图,有助于对防火墙的现有规则库进行重写优化。本文在分析传统的线性顺序规则匹配算法和树形规则匹配算法的基础上,提出一种基于冲突检测的无关联规则集匹配算法,其平均比较次数为O(lg(n)),性能上大大优于现有的算法。     

数据挖掘在建立入侵检规则库中的应用

本文将数据挖掘中的聚类挖掘和关联规则挖掘应用于建立入侵检测系统规则库中,提出了一种不同于传统入侵检测规则库建立的动态更新的方法。     

基于Apriori 分类事务库关联规则算法

Apriori 算法是通过定义的事务库来生成频繁项集,确定各数据之间的关联规则。在实际应用中生成事务库时常常会出现同一项目中重复类型的事务库,而同一项目的事务之间的支持度为零。因此,事务库的定义方法是直接影响生成关联规则的生成速度与效率,针对这一问题,本文提出并实现了一种基于Apriori 分类事务库的关联规则算法。该方法改变了传统Apriori 算法中所有事务统一定义的方法,对不同项目的事务进行分类定义,通过这种的实现,不但减少了计算机的大量运算,而且提高了关联规则的生成速度。     

IDS规则库构建与合并算法

提出一种适合于入侵检测系统IDS(intrusion detection system)的频繁模式算法,该算法基于关联规则算法和序列模式算法,把属性间的关联与记录间的串行序列模式有效地结合到一条规则中.通过改进关联规则算法能避免产生大量无用的频繁模式.利用频繁模式算法(Frequent Pattern Algorithm)提取规则,构建规则库.并且对规则库进行不断地扩充与合并,能更有效地检测入侵.     

一种用于挖掘正、负关联规则的改进Apriori算法

本文提出一种传统的关联规则挖掘主要着眼于正关联规则，即形如A→B的规则的挖掘，而对负关联规则的研究非常有限，然而实践表明在关联规则的各个应用领域中，负关联规则同正关联规则有着同样的重要性。Apriori算法是挖掘关联规则的一个经典算法，但是它只局限于挖掘正关联规则，本文对该算法进行改进提出了Ex-Apriori算法，新算法不仅能挖出负关联规则，而且由于兴趣度的引进，能够剔除大量无趣的关联规则。实验表明该种算法有效且可行。     

关联规则向Snort规则转换的应用研究

在入侵检测中的使用关联规则算法,在检测的时候需要重新计算一些统计数据,降低了检测的速度和准确度,所以它提出了一种把数据挖掘的关联规则转化成Snort规则库的方法,这样既提高了入侵检测的速度和准确率,也使得入侵检测具有了一定的自适应能力。     

基于高层建筑结构实例库的模糊关联规则的研究与应用

关联规则的挖掘是数据挖掘的重要研究内容之一,文章基于高层建筑结构实例库展开对模糊关联规则的研究:针对某些数值类型的属性值,提出了区间模糊划分法,将它们转化为模糊数据;对Apriori算法和支持度计数方式作一定的改进;并举例说明模糊型关联规则在高层建筑结构实例库中的发现。     

利用潜在语义分析和关联规则挖掘构造同义与关联词集

本文提出了一种基于XML数据库的关联规则分析模型。在对XML数据库和XQuery查询语言作了简要介绍以后,提出了基于XML数据库的关联规则分析的研究思想,并描述了基于这个思想进行关联规则分析的模型。最后,通过一个例子说明了如何利用这个模型进行关联规则分析的具体过程。     

一种精简的关联规则表示模型

针对关联规则之间存在的冗余性问题,已提出多种精简关联规则模型,但这些模型仍不同程度存在紧致度欠佳、信息丢失或恢复算法复杂的问题.提出了一种含更丰富关联信息的基本关联规则,并以基本关联规则为基础构建无损的精简关联规则集合,它是原始关联规则集合的子集,并能据此完全恢复原始关联规则集合.给出了基本关联规则模型的定义,证明了该精简模型的几个重要性质,并设计了用于挖掘该类规则的挖掘算法.实验表明,基本关联规则模型比现有的关联规则精简模型更加紧致.     

基于改进Apriori算法的高校课程预警规则库构建

在如何构建完善的课程预警规则库是高校成绩预警研究中的一个重点问题, 本文对高校学生成绩进行清洗、离散化后, 利用Apriori算法挖掘不及格课程之间的相关关联, 构建基础预警规则库, 在此基础上进一步挖掘"及格", "良好"等级课程对其他课程的影响, 从而进一步扩充预警规则库. 针对大量冗余规则的情况, 在传统的支持度-置信度框架下利用提升度、兴趣度等方法筛选出强关联规则, 提高规则库的准确度, 并对挖掘出的规则进行了针对性的分析, 研究方法和结论可为教学管理提供决策支持.     

原关联规则及其应用

在大型数据库项目之间发现关联规则是一个重要的数据挖掘问题,而挖掘出的关联规则数目常常是巨大的.文中介绍了简单关联规则和原关联规则的概念,而传统算法挖掘出的关联规则集中的任何规则,均可以由原关联规则导出,并且原关联规则的数目远远小于传统算法挖掘出的关联规则数目.对简单关联规则和原关联规则进行了分析比较,给出了挖掘原关联规则算法,并举例说明算法的执行过程.     

分布式专家行为信息系统

针对专家行为数据分布广、难以全面分析利用的问题,提出分布式专家行为信息系统。该系统建立安全可信的分布式数据采集体系,依据转换规则库、映射规则库、元数据对不同含义、不同格式的数据进行转换处理,形成统一的专家行为数据库,基于不同业务阶段的数据特点进行比对、关联,利用关联规则算法实现对专家行为模式的挖掘分析。结果证明该系统有助于及时、准确地得到专家行为信息。     

关联规则挖掘在Web信息检索中的应用

查询扩展是智能信息检索中重要组成部分，该文提出了一种基于关联库的查询扩展方法。该方法利用关联规则挖掘技术，自动从文档中导出概念／词语之间相关性及层次关系，由此构建关联库，通过关联库对查询需求进行查询扩展。实验结果显示，该方法是有效的，能提高信息检索的查全率和查准率。     

原关联规则及其应用

在大型数据库项目之间发现关联规则是一个重要的数据挖掘问题,而挖掘出的关联规则数目常常是巨大的。文中介绍了简单关联规则和原关联规则的概念,而传统算法挖掘出的关联规则集中的任何规则,均可以由原关联规则导出,并且原关联规则的数目远远小于传统算法挖掘出的关联规则数目。对简单关联规则和原关联规则进行了分析比较,给出了挖掘原关联规则算法,并举例说明算法的执行过程。