多维多层次挖掘关联规则在商品房交易中的应用

讨论了一种在关系数据库中挖掘关联规则的方法．该方法利用关系数据库的特点．有机地组织概念层次树技术、关联规则挖掘技术进行多维多层次挖掘关联规则．挖掘满足要求的多维关联规则、多层次关联规则、交叉层次关联规则。     

基于粒计算的多层次关联规则挖掘技术研究

粒计算理论是一种看待客观世界的世界观和方法论.基于粒计算的多层次关联规则挖掘,引入了粒计算思想,采用多层次化二进制编码表示,只须一次数据集扫描便可获得所有叶节点粒,并能够由子粒的"或"、"与"运算获得父粒和多项集,简化求频繁-项集的求取方法,降低了算法的时间复杂度和空间复杂度提高了算法的效率.     

一个保护私有信息的序数型关联规则挖掘算法

基于随机响应技术,提出了一种在保护隐私的关联规则挖掘中对包含三个属性值的序数型数据进行伪装的方法．设计了在伪装的数据集上进行挖掘的算法;分析了算法的安全性及复杂度。并通过实验表明,该算法在伪装的数据集上挖掘出来的规则与原规则相比,相对误差不超过5％。     

快速关联规则挖掘算法

提出了一种新颖的关联规则挖掘算法QAIS，与经典两阶段式关联规则挖掘算法不同的是，它只需扫描一遍事务数据库，不需要生成候选集，并且可以方便的应用在增量式关联规则挖掘算法中，该算法经合成数据验证是有效的．同时针对关联规则生成过程中出现大量冗余规则的问题，还讨论了冗余关联规则去除的问题．     

中间存储的联机分析关联规则挖掘方法

针对“挖掘不同支持度下的关联规则需要反复扫描多维数据库所带来大量的系统I／O开销”这一缺限,提出一种基于中间存储的联机分析关联规则挖掘OLAM方法．在自行开发的联机分析处理OLAP的基础上,对待分析的多维数据集利用BCTree存储谓词集频度索引数,利用改进的Apriori关联规则挖掘算法分析用户感兴趣的维度,减少挖掘维度的个数,提高了反复挖掘的系统效率和系统针对性．生产数据证明了该方案的正确性和有效性．     

基于数据库约简的关联规则挖掘算法

通过对Apriori算法挖掘过程进行分析，提出了一种基于数据库约简的关联规则挖掘算法．该算法利用每趟挖掘中一些非频繁项集的超集、并集，逐步约简事务数据库中的事务，提高了关联规则的挖掘效率．在这些非频繁项集的基础上建立了数据库约简的定理和推论，并在Apriori算法的基础上设计了ApioriNEW算法．经过对算法进行分析和实验，算法ApioriNEW的挖掘效率比较高．一般情况下，平均可将挖掘效率提高约30%．ApioriNEW算法特别适合大型数据库的关联规则挖掘，已应用在网络故障诊断专家系统的知识获取中．     

基于频繁集的多层次交互式关联规则挖掘

定义了一系列关联规则的相关概念 ,然后 ,针对现有的销售事务数据库 ,提出了一种改进的获取多层次信息方法 ,并据此对各数据进行压缩编码 ,减少处理时间 .同时 ,借助频繁集和交互式技术 ,实现多个概念层次交互式挖掘 ,以按用户实际需要提取出其感兴趣的关联规则 ,从而提高了挖掘速度和运行效率     

基于关联的自适应分类规则发现模型

为了对现实中的大规模数据集进行分类挖掘，提出了一个基于关联的自适应分类规则挖掘模型，研究了该模型在预处理、多层分类规则的挖掘、算法的可扩展性、效率和输入参数的自适应等方面的技术和方法．     

基于两阶段计数的用户关联挖掘

基于规则的推荐技术在数据集上挖掘项目关联和用户关联为当前用户做推荐．用户关联挖掘是使用用户关联进行推荐的关键．首先证明在整个数据集上挖掘到的关于当前用户的用户关联集是只在包含当前用户评价的数据集上挖掘到的关于当前用户的用户关联集的子集,提出基于两阶段计数的用户关联挖掘框架,然后应用概念格技术实现了基于两阶段计数的用户关联挖掘算法,并通过实验表明该算法具有更好的性能．     

不完全信息系统的粗集Web挖掘方法

针对电子商务环境下的客户关系管理的特点,提出了基于粗集理论对不完全信息系统的Web挖掘方法.从 已知数据的原始决策表出发,利用基于粗集的Web挖掘方法,选用某种评价算法,以得到决策表及每个数据对象的 决策规则.并结合算例,说明这种Web挖掘方法的使用.     

Rough有限格的蕴涵规则挖掘

提出了一种基于Routh有限概念格的规则发现方法（RRLIRD）,以揭示数据集中的蕴涵规则。首先引入有限概念格的简化表示形式,由用户选择数据集中感兴趣属性集创建概念格结构,提高用户的交互性和挖掘的效率;然后运用有限概念格与Rough集理论相结合形成Rough有限概念格,蕴涵规则则由其特有的上、下近似运算得到,不需计算繁琐的频繁项目集。算法运用大型超市的交易流水数据进行仿真实验。结果表明,执行时间比经典的Apriori算法大大降低。该算法也适用于证券行情分析和农业数据库的病虫害分析等。     

基于粗糙集的数据挖掘算法的研究

粗糙集理论是一种新的处理模糊和不精确问题的重要数学工具,是一种新的数据挖掘技术。本文主要研究基于粗糙集的数据挖掘的算法在规则提取阶段的应用。     

一种基于粗糙集的决策算法挖掘方法

属性约简和属性值约简是利用粗糙集理论从决策表中挖掘决策规则的基础,挖掘决策规则是粗糙集理论的重要研究领域之一。本文根据属性的重要度和条件差别矩阵来进行条件属性约简,找出有效约简。同时定义了决策表的不一致度,并根据属性重要度来进行属性值约简,在保持决策表不一致度不增加的前提下挖掘出决策规则,该决策规则集满足独立性、覆盖全域性、可接受性和一致性,即决策规则集为决策算法,最后运用实例对该方法的有效性进行说明。     

基于PL/SQL的粗糙集分类算法研究

为改进数据分类的效果，基于粗糙集理论实现数据分类和规则推理的基本原理，利用粗糙集理论中核及决策类覆盖的思想，提出了一个在数据集中发现没有冗余属性的最小归纳依赖关系，简化带有不相容规则的决策系统的数据挖掘算法。通过PL／SQL演示了挖掘分类规则的过程，结果表明基于粗糙集分类算法的有效性。     

基于故障诊断的数据挖掘系统

故障诊断规则获取一直都是研究的热点之一。粗集作为分类数据挖掘方法的一种，是故障诊断的一种新的有效方法。首先介绍了基于故障诊断的数据挖掘系统特点及结构，然后介绍各模块功能，并论述了相关的粗集理论及具体算法，最后给出了系统的应用实例。     

一种基于粗糙集理论的数据挖掘算法的研究

研究了粗糙集理论在数据挖掘中的应用,提出了一种基于粗糙集理论的数据挖掘算法.首先对信息系统的数据加工泛化,构造其二进制可辨矩阵.对矩阵进行化简得到属性约简并生成规则.最后,结合银行申请信用卡的实例,利用上述方法进行数据挖掘,消去冗余属性,抽取决策规则.     

基于粗糙集理论的续保规则挖掘模型

基于粗糙集基本理论，分析了衡量规则价值的方法，构建了一个基于粗糙集理论的续保规则挖掘模型．运用该模型对10000条车险保单客户数据进行了分析，挖掘出隐含在这些数据中的续保规则，找到了续保客户的描述性特征．     

基于属性的粗糙集在数据挖掘中的应用

研究怎样能够有效地实现基于属性的粗糙集理论的数据挖掘技术．详细讨论了粗糙集理论;为了从基于属性的数据库中发现新的规则,研究了一种适合数据挖掘的面向对象的商业市场研究软件体系的应用．     

基于遗传算法和粗糙集理论的增量式规则获取方法

规则获取的增量式算法是数据挖掘领域的一个热点问题.基于粗糙集理论,从规则获取和优化两方面研究了基于遗传算法的增量式规则挖掘方法,它具有结构简单、搜索效率高、求解速度快等优点.通过研究决策表和决策规则系数,建立基于粗糙集表示和度量的知识,并且将遗传算法和规则挖掘算法相结合,建立了新的优化方法,提出了一种基于遗传算法的增量式规则挖掘的方法.在原有规则集的基础上进行规则和规则参数的增量式更新,避免了为更新规则而重新运行规则获取算法.试验结果表明,执行增量式GA的能够有效地获取最优规则.     

基于概念层级和分层挖掘的非单调数据挖掘算法

引入概念层级和采用分层挖掘处理数据挖掘中的非单调性,提出了结合粗糙集和概念层级的非单调规则挖掘算法,以及基于混合知识模型和分层挖掘的非单调数据挖掘算法,通过一故障诊断实例,阐明了该算法的原理,并介绍了基于遗传算法的模糊规则自动生成和故障诊断神经网的构造。