由频繁项集生成关联规则的深度优先算法

数据挖掘是当前数据库技术领域的重点研究内容,其中关联规则挖掘算法尤为引人注目.目前,关联规则及挖掘算法研究的热点主要是如何提高发现频繁项集的效率,而对如何由频繁项集生成关联规则却很少涉及.对由频繁项集生成关联规则的过程进行改进,将会有效提高生成关联规则的效率.     

有关关联规则的挖掘算法研究

研究了入侵检测中关联规则挖掘技术,在Apriori算法的基础上,提出了一种新的算法,该算法将FP-tree映射成为FP-array,那么绝大部分运算是运用布尔逻辑运算完成的,解决了频繁构造条件FP一树的巨大处理开销,从而大大提高关联规则挖掘效率。     

由频繁项集生成关联规则的深度优先算法

一、引言数据挖掘是当前数据库技术领域的重点研究内容,其中关联规则挖掘算法尤为引人注目。目前,关联规则及挖掘算法研究的热点主要是如何提高发现频繁项集的效率,而对如何由频繁项集生成关联规则却很少涉及。对由频繁项集生成关联规则的过程进     

在数据库中挖掘定量关联规则的方法研究

数据挖掘技术是实现智能决策支持系统的一个重要手段 ,关联规则是数据挖掘的一个重要内容 .传统的 Apriori算法仅适用于挖掘数据间的定性关联关系 ,但数据间的定量关联关系对决策更有帮助 .属性值的离散映射是挖掘定量关联规则的一个重要环节 ,离散映射中属性值区间的划分粒度是影响数据挖掘质量的一个重要因素 .本文结合粗集理论提出了一个确定属性值划分粒度的方法 ,在此基础上设计出一个挖掘定量关联规则的算法 :Apriori 2 ,利用Apriori 2可以挖掘出大量对决策有帮助的定量关联规则     

基于领域知识和聚类的关联规则深层知识发现研究

本文针对传统关联规则挖掘算法产生大量冗余规则,提出了对关联规则结果进行二次挖掘,并设计了算法对挖掘出的关联规则进行聚类,然后基于已有领域知识对聚类后的关联规则进行新颖度评价,对于新颖度较高价值较大的关联规则可以存储于领域知识库用于决策使用或再次挖掘过程。该算法有效的减少的规则的数量,提高了规则的新颖性和精确度,对商业应用具有很高的价值。文章最后使用UCI开源数据进行了实验分析,并验证了该算法的有效性。     

基于Web信息挖掘的关联推荐算法研究与实现

使用Web数据挖掘技术对用户需求进行分析,其中实现Web信息个性化使用的是关联规则,这一规则能够为用户提供个性化服务,目前已成为Web应用技术的研究热点。该文分析了应用于个性化推荐的Web页面关联规则的特点,对Web数据挖掘技术常用的关联推荐算法进行探讨,内容主要涉及到Web数据挖掘技术、关联推荐算法的思路、算法分析。     

Web日志挖掘中的用户浏览序列模式识别

用户浏览模式识别是现阶段Web日志挖掘的主要目标之一,研究Web日志挖掘中的序列模式识别问题,针对传统关联规则算法中阈值固定不变、大序列的数目与序列长度成反向增长的问题,对传统的关联规则算法进行改进,提出IAx算法,使长序列只需较小的支持度计数就能达到阈值,从而发现更多有意义的序列模式,同时运用理论证明该方法的正确性.     

基于关联规则的网络消费者行为变化的挖掘

在网络购物环境下,消费者需求的变化日渐突出,为了发现网络消费者需求的变化,论文采用关联规则发现的方法对不同时期的商品交易数据进行挖掘,提取了关联规则,通过对规则的比较、分析,发现了网络消费者的行为变化.论文提出了一个包含第一支持度、第二支持度和相对置信度的算法,该算法克服了现有算法无法挖掘具有低频数据项规则的问题,并依据网络消费者行为变化的情况,提出了网络消费者行为变化的三种模式茁壮型、发现型、意外型,以度量网络消费者的行为变化.     

Web使用挖掘在网站优化中的应用研究

针对互联网用户访问Web服务器产生的日志,结合Web使用挖掘相关理论,采用Apriori算法挖掘用户的频繁访问模式.首先进行数据预处理以保证数据的质量及提高挖掘的效率;然后对预处理后的数据采用Apriori算法进行关联规则挖掘,找出其中的频繁访问模式;最后分析结果,总结规则,提出建议.     

基于意外度的关联规则深层知识发现及应用研究

为了弥补传统关联规则挖掘产生大量冗余规则、难以直接用于决策支持的不足,本文提出了一种基于用户已有知识的规则意外度评价方法,并在此基础上设计了基于意外度的深层关联规则挖掘算法。算法的优点在于能够将用户已知的规则作为领域知识加入到数据挖掘过程从而有效过滤和已知规则相近的冗余规则,并且可以将新得到的规则加入知识库中实现知识的积累和重用。最后本文采用一个商场数据验证了该算法的有效性,并且对具有回馈模式的关联规则在商品促销中的作用进行了分析。