可增量更新的关联规则挖掘算法

本文给出了一种新奇有效的增量式关联规则挖掘算法,以处理因事务数据库内容增加后相应关联规则的更新问题,该算法认真研究了关联规则挖掘过程中的数据存储的结构,充分利用以前挖掘的结果,从而大大减少了对数据的重复扫描,提高了数据挖掘算法的效率。     

一种关联规则增量更新算法

针对事务数据库的内容不断增加后相应关联规则的更新问题，提出了一种简单高效的增量式关联规则挖掘算法SFUA，并和已有的FUP算法进行了分析比较。     

一种高效的关联规则增量更新算法

对挖掘关联规则中FUP算法的关键思想以及性能进行了研究,提出了改进的FUP算法SFUP。该算法充分利用原有挖掘结果中候选频繁项集的支持数,能有效减少对数据库的重复扫描次数,并通过实验对这两种算法进行比较,结果充分说明了SFUP算法的效率要明显优于FUP算法。     

负增量关联规则更新算法研究

在增量式关联规则更新算法的研究中,关于负增量式更新算法的研究比较少。提出了一种实用的在支持度和置信度不变的情况下数据集规模减小的负增量关联规则更新算法。算法在如何减少数据集的扫描次数,如何充分利用现有的信息减少候选集的规模等方面进行了研究,给出了算法的具体实现。通过分析,算法是可行的。     

负增量关联规则更新算法研究

在增量式关联规则更新算法的研究中，关于负增量式更新算法的研究比较少。提出了一种实用的在支持度和置信度不变的情况下数据集规模减小的负增量关联规则更新算法。算法在如何减少数据集的扫描次数，如何充分利用现有的信息减少候选集的规模等方面进行了研究，给出了算法的具体实现。通过分析，算法是可行的。     

负增量式关联规则更新算法

模式维护是数据挖掘中一个具有挑战性的任务.现有的增量式关联规则更新算法主要解决两种情况下的维护问题：一是最小支持度不变,而数据量增加;二是数据量不变,而改变最小支持度.本文提出了一种负增量关联规则更新算法.实验表明,该算法是有效的.     

增量更新关联规则数据库挖掘算法研究

随着数据库技术的不断发展及数据库管理系统的广泛应用,大型数据库系统己经在各行各业普及,数据库中存储的数据量急剧增大,数据挖掘便是从海量数据库中挖掘有效或重要信息的过程。关联规则挖掘是数据挖掘领域一个非常重要的研究课题,被广泛地应用于商业界、医疗保险、金融业、电信部门等。随着时间的推移,挖掘数据库的规模会发生不断变化,人们对数据的需求也会有所不同,因此如何从扩展数据库中高效地对已经推导出的关联规则进行更新具有非常重要的应用价值,这就是所谓的增量式挖掘关联规则的问题。     

改进的关联规则增量更新算法

针对数据库和最小支持度同时发生变化的情况,提出了HIUA算法。该算法利用常用的哈希存储结构,数据结构简单,操作方便、可行,并且只需要扫描数据库一次。同时,通过对其测试结果与经典的Apriori算法进行比较,表明了该算法充分利用了原有的信息,提高了算法的效率。     

基于矩阵的关联规则增量更新算法

该算法用以处理事务数据库不变而最小支持度发生变化后相应关联规则的更新问题。它在充分利用ABM算法挖掘结果的基础上,不需要重新扫描数据库,也不需要额外地为其分配内存单元就能挖掘出所有新的频繁项目集,实验分析证明了UBM算法的正确性和高效性。     

加权关联规则挖掘的算法研究

信息时代的到来，产生了大量的数据。在大量的数据背后隐藏着许多重要的信息，如果能把这些信息从数据库中抽取出来，将会创造很多潜在的利润。关联规则的挖掘已被广泛应用在实际生活中。但过去的研究往往认为数据库各个项目的重要程度是相同的，而事实上，用户对项目的看重程度是不同的，因此已有算法挖掘出来的并不一定是我们感兴趣的规则。针对这种情况．提出了加权关联规则。     

加权关联规则的并行挖掘算法

关联规则是数据挖掘的重要研究内容之一,而传统的算法均为串行算法且将数据库项目按平等一致方式加以处理。文章提出了加权关联规则的并行挖掘算法,探讨了相关的数据结构,并对算法进行了定性分析。     

一种关联规则的增量式更新算法

对在事务数据库不变的情况下,如何进行关联规则的维护问题进行了探讨,提出了一种高效的增量式更新算法。     

增量关联规则的向量法挖掘

该文针对数据库记录增加时,如何高效地挖掘频集,提出了VFUP算法,并和其他增量更新算法进行比较,说明了该算法的高效性。     

关联规则的开采与更新

对关联规则的增量式更新算法——IUA(incremental updating algorithm)进行了分析,指出其存在的问题,并给出一个改进的算法NEWIUA(new IUA).NEWIUA算法对已存在的和本次更新时新产生的频繁项目集都加以充分的利用,因此,在保证算法有效的同时提高了效率.文章提出了3种关联规则开采的并行算法,并对各算法进行了分析和讨论.     

基于动态分组的增量式挖掘关联规则更新算法

数据挖掘的一个重要方面是挖掘关联规则，目前已提出了包括经典算法Apriori在内的许多算法，而在实际关联规则的挖掘过程中，用户将需要不断调整用于描述用户兴趣程度的阈值：最小支持度和最小置信度。如何维护已发现的关联规则变得至关重要。该文提出的GIUA算法解决了在数据库D不变的情况下，最小支持度和最小置信度发生变化时关联规则的维护问题，最大效率地利用原有结果，通过动态分组将连接步和修剪步的循环减到最少，并尽可能地将挖掘过程并行化。     

一种改进的增量式数值型关联规则挖掘算法

数据库动态变化后,会使原有的一些规则无效,同时又会加入一些新的规则.重新挖掘费时费力,通常采用增量式挖掘来解决这一问题.对于数值型属性数据库,提出一种改进的增量式数值型关联规则挖掘算法,用于解决最小支持度不变,而数据库动态变化后引起的规则维护问题.引入了隶属函数的概念,说明参数隶属度的确定问题,并通过实例演示算法过程.结果表明该算法可大幅提高效率并可正确揭示数据所蕴涵的知识,具有很好的实用性.     

一种高效的关联规则增量式更新算法

发现频繁项目集是关联规则挖掘的关键问题,而发现的过程是高花费的。因此,要求对增量挖掘算法进行深入研究。这使得关联规则的更新成为数据挖掘技术中的一个重要内容。文中就关联规则的增量式更新问题进行了探讨,针对最小支持度发生变化时的增量式更新算法(IUA)的不足,提出了改进算法(AIUA),在保证算法有效的同时提高了效率。