基于概念格的数据挖掘方法

1引言 关联规则是数据挖掘领域中的一个重要课题,挖掘关联规则的算法已经有很多,比较重要的有Rakesh Agrawal等提出的Apriori算法[3],Ramakrishnan Srikant等提出的挖掘定量关联规则的算法,Sergey Brin等提出的DIC算法[5].这些算法都是离线的或者批处理式的,Christian Hidber提出了挖掘关联规则找出数据项频集的在线算法Carma,CharuC.Aggarwal提出了根据数据项频集的集合找出关联规则的在线算法[2],在线挖掘关联规则的算法允许用户随时调整最小支持度(阈值),如果中间结果已经令人满意,用户也可以随时终止算法的执行.     

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。     

一种多层多维的关联规则挖掘算法在推荐系统中的应用

针对传统协同过滤算法将用户-项目评分矩阵作为数据的输入,试图找到最相似的用户或者项目,但却忽略了用户与项目属性之间的关联关系等问题,本文构建一种多层数据的模型,在不同层次之间找出多维序列,挖掘出频繁多维序列模式,输出关联规则。用输出的关联规则改进评分矩阵,改进后的数据包含了用户和项目之间的关联关系,经过协同过滤算法输出TOP-N推荐项目。在MovieLens数据集上进行试验验证,实验结果表明所提方法能够优化模型的推荐性能。     

Apriori算法在DNS记录挖掘中的应用与研究

DNS访问记录体现了网络用户的访问意图,通过Apriori关联规则挖掘算法处理这些记录,生成关联规则用以发现网络用户的访问行为模式,从而满足用户识别、用户分析等应用需求。该文详细分析了Apriori关联规则挖掘算法,针对其不足进行改进,应用于DNS访问记录挖掘中,对产生的关联规则进行了分析,得到相关用户的一些访问行为模式。     

基于用户兴趣导向的关联规则数据挖掘

本文在针对关联规则的Apriori算法的基础上,为了提高用户数据挖掘的人机交互性能,解决关联规则挖掘产生冗余规则的问题,提出了基于用户导向的关联规则挖掘方法SQL-IIAR算法.     

一种基于时态约束的加权关联规则挖掘算法

时态关联规则是指带有时态约束的关联规则,针对现有的大多数时态关联规则挖掘算法并没有考虑数据项的不同重要性,提出了一种新的加权时态关联规则挖掘算法。算法以项目的生命周期作为时间特征,并且允许用户设定不同的项目权重。算法采用了树和矩阵的数据存储结构,挖掘过程中只需扫描一次数据库,同时利用向量之间的交集操作加快了加权支持度的计算速度。仿真实验表明,优化算法具有良好的挖掘效率。     

基于FP-树的无支持度设置关联规则挖掘

关联规则的挖掘大都在用户设置的支持度阈值的限制条件下，产生频繁项目集合。得到关联规则。但是没有相关领域的专门知识，用户很难设置合适的支持度闽值来得到合适的结果。文章在FP-树挖掘算法的基础上，提出一种无支持度设置的关联规则挖掘方法，通过兴趣度的设置动态地得到不同项集的不同支持度。     

基于Web挖掘的个性化算法及其在网络教学平台的应用

在Web挖掘的基础上设计针对Web服务的Web访问事务模型WTM和个性化推荐算法。算法以WTM为基础,旨在根据用户的访问模式向用户推荐个性化的Web资源。其利用关联规则得到的频繁项集实时地匹配用户的当前访问序列,对不同的用户提供不同的推荐资源。在此过程中不需产生所有的关联规则,提高了推荐的效率。最后,将该模型和算法应用于网络教学实践得出了个性化的网络教学环境。     

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。     

关联规则的下钻研究

关联规则的下钻操作沿袭了OLAP中的下钻的概念，它是通过对已经挖掘得到的用户感兴趣的规则进行再分析，挖掘出用户感兴趣的子关联规则。该文提出了关联规则下钻及相关的概念，并在该概念的基础上给出了下钻的算法及复杂度分析。     

基于兴趣度的Web页面关联规则的研究

随着互联网上的信息迅速增长,如何快速准确地寻找到信息越来越受到人们的重视。文中给出了几种计算用户兴趣度的方法,并利用其中一种计算用户兴趣度的方法,论述了基于兴趣度的Web页面关联规则。论述了关联规则和一般的Apriori算法,并利用了"壹支持数下K—关联规则",对一般的Apriori进行了改进,主要是将兴趣度用于Apriori算法中。实验结果证明,该方法用于在网上寻找用户感兴趣的信息具有较好的准确率。     

基于用户访问事务文法的序列关联规则发现

在Web挖掘中,应用关联规则发现方法可以发现Web页面之间用户访问的关联度.由于Web站点内含丰富的页面结构信息,也由于用户的访问总是要遵循一定的访问顺序,因此提出一种新的可以发现用户访问序列之间关联度的方法——序列关联规则发现方法.该方法首先得到用户访问事务;然后根据正则文法,定义了一种新的用户访问事务文法,用于从用户访问事务中得到用户序列访问事务;最后应用关联规则发现算法进而发现序列关联规则.为了进一步评价所发现的序列关联规则,引入了互信息的概念.发现的序列关联规则可以帮助Web站点的设计者更好地理解用户的访问,以用于调整Web站点的结构.     

An efficient data mining approach for discovering interesting knowledge from customer transactions

Mining association rules and mining sequential patterns both are to discover customer purchasing behaviors from a transaction database, such that the quality of business decision can be improved. However, the size of the transaction database can be very large. It is very time consuming to find all the association rules and sequential patterns from a large database, and users may be only interested in some information.

Moreover, the criteria of the discovered association rules and sequential patterns for the user requirements may not be the same. Many uninteresting information for the user requirements can be generated when traditional mining methods are applied. Hence, a data mining language needs to be provided such that users can query only interesting knowledge to them from a large database of customer transactions. In this paper, a data mining language is presented. From the data mining language, users can specify the interested items and the criteria of the association rules or sequential patterns to be discovered. Also, the efficient data mining techniques are proposed to extract the association rules and the sequential patterns according to the user requirements.     

聚类与关联规则挖掘进行结合的研究

聚类及关联规则挖掘是数据挖掘领域中的两种重要方法。先使用聚类法将比较接近的数据分为同一簇,再分别对已经减少了数据量的每一簇作关联规则挖掘,这样,结合了两种方法的优点,改进了仅使用单一方法的缺点,能够获得更多的信息,有助于更加容易且有效地分析数据。     

Building user argumentative models

Knowing how a user builds his/her arguments during a discussion gives useful advantages if we want to assist the user or analyse his/her argumentative skills. This paper presents a novel mechanism to build user argumentative models, which captures the argumentative style to generate arguments. To this end, we observe how users generate arguments, and apply a generalised association rules algorithm to discover rules for argument generation. These rules depict the argumentative style of the user. They are composed of an antecedent, which represents the conditions to build an argument, and a consequent, which represents such argument. To evaluate this proposal, we show results obtained in the domain of meeting scheduling. We discovered interesting rules from a group of users discussing in that domain, and checked that about 60% of the arguments that users had generated in a test situation can be also generated from the rules previously learnt, at least partially. Finally, although this work focuses on modelling users’ argumentative style, we discuss how this promising approach could be applied in different knowledge domains.     

基于改进权重增量Apriori算法的产品推荐方法

采用权重增量挖掘思想优化算法,为用户推荐个性化产品配置提供了有效的解决方案.方法主要主要分为3个部分,首先利用平台搭建起来的用户跟踪模块对用户行为进行跟踪和数据的收集;然后结合用户最近的行为习惯,使用基于权重增量的Apriori算法进行关联规则挖掘;最后根据挖掘出的结果完成产品推荐的过程.通过对挖掘算法的优化,大大提高了系统的运行效率和准确性,产品推荐随着用户行为的改变而改变,更加符合实际情况.实验结果表明,该算法可以有效解决产品推荐问题,相比于传统关联规则挖掘算法,准确率提高了4%.