多层次关联规则的快速挖掘算法

数据挖掘被认为是解决“数据爆炸”和“数据丰富,信息贫乏”的一种有效方法。关联规则是数据挖掘的重要研究方向。本文提出了多层次关联规则的一种快速挖掘算法,利用抽样从概念层次树的中间开始挖掘,以提高挖掘的速度。     

基于多层次关联规则的Web日志挖掘

经典关联规则挖掘在Web日志挖掘应用中已经比较成熟。在此基础上,针对某些商业网站的商品板块间存在层次关系,将多层次关联规则挖掘引入Web日志挖掘,能够在细节程度更低的层次或不同的细节层次间深入、全面地提供用户浏览商品过程中的频繁访问路径和频繁访问页组,以优化网站链接,为访问网站的用户提供更能满足需求的服务。本文以淘宝网女装/女士精品销售版块的链接页面为例进行验证说明。     

基于多层次关联规则的Web日志挖掘

经典关联规则挖掘在Web日志挖掘应用中已经比较成熟。在此基础上,针对某些商业网站的商品板块间存在层次关系,将多层次关联规则挖掘引入Web日志挖掘,能够在细节程度更低的层次或不同的细节层次间深入、全面地提供用户浏览商品过程中的频繁访问路径和频繁访问页组,以优化网站链接,为访问网站的用户提供更能满足需求的服务。本文以淘宝网女装/女士精品销售版块的链接页面为例进行验证说明。     

基于OLAP的多维关联规则挖掘研究

针对数据仓库中的多维数据模型及OLAP技术,给出了一套行之有效的基于OLAP的元规则指导的多维关联规则挖掘方案,最终挖掘出用户真正感兴趣的概念层次合理的多维关联规则.实验结果表明该方案是有效的.     

带有时态约束的多层次关联规则的挖掘

为了适应现实世界数据中数据具有多层次性和时态性的客观情况，在以往关联规则挖掘算法的基础上，提出上具有时态约束的多层次关联规则的挖掘算法，该算法在核心思想是利用统计分析方法，根据用户给定的最小支持度和最小可信度，确定出用户感兴趣的关联规则，实例分析结果表明，该算法与单层次的无时效性的数据挖掘算法相比更有应用价值。     

关联规则挖掘在道路交通事故分析中的应用

城市机动车数量的增加已经导致城市交通事故的频繁发生,能否对已发生事故做出正确的分析将直接影响到能否对未来类似事故的成功避免.随着社会的发展,道路交通事故系统的复杂性也在逐渐增强,传统的分析、预防方法已呈现其局限性.现提出一种使用数据挖掘领域中的多维关联规则技术分析大量交通事故记录的方法,通过找出可能导致交通事故发生的频繁因素组合来发现某些事故发生的规律,以期为道路安全管理提供科学的决策依据.通过该方法,我们可以有效地识别和发现事故数据的新模式,且能为交通管理决策提供有效支持,该方法易于实现,便于推广.     

基于Apriori算法的多维关联规则挖掘研究

关联规则是数据挖掘中的一个重要研究方向.经典的Apriori算法是一种最有影响的挖掘布尔型关联规则频繁项集的算法,但其并不适合挖掘近年来兴起的多维数据模型.在改进Apriori算法的基础上,提出了一种"二次剪枝"的算法,此算法适用于挖掘多维关联规则,并且在一定程度上提高了算法效率.     

一种多维时态关联规则数据挖掘算法

在关联规则挖掘中,大量的数据是多维的,且带有时态特性,所以往往需要在时态约束的前提下挖掘多维关联规则．本文从一个实际问题出发,在单维Apriori算法和已有的工作基础上,提出了一种新的多维时态关联规则挖掘算法,并与类似算法进行了比较．     

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     

基于关系矩阵的多层次关联规则快速挖掘

关联规则（Association Rules）是数据挖掘的重要研究内容。本文提出了多层次关联规则的挖掘算法——MLIG,利用向量＂或＂和＂与＂运算求解频繁项目集（Frequent Itemset）,该算法通过构建向量之间的关系矩阵,将频繁项目集的产生过程转化为项目集的关系矩阵中向量运算过程,大大提高了挖掘的效率和速度。算法只需扫描数据库一遍,克服了ML_T2L1及其相关算法产生大量候选集和需多次扫描数据库的缺点。实验结果表明,算法MLIG是非常高效的。     

基于量化概念格的关联规则挖掘

在概念格的内涵中引入等价关系并将其外延量化 ,得到量化概念格。利用量化概念格可以清晰地表示知识 ,从而便于挖掘包括关联规则在内的多种规则 ,与经典的 A priori算法相比较 ,规则表示更简捷、直观 ,尤其重要的是用户可根据自己的兴趣交互地挖掘关联规则 ,不需要计算频繁项目集 ,因而提高了挖掘规则的效率 ,适用于大型数据库中关联规则的挖掘     

挖掘关联规则中Apriori算法的一种改进

算法减少连接次数以及扫描数据库的次数从而缩短数据库扫描时间,利用项集有序性改进判断是否进行连接的策略,并利用标志位变化逐步消除无用事务,从而实现了事务压缩和项目压缩, 同时减少了判断时间。实验结果表明,经过优化了的Apriori算法在运行效率上有一定的提高。     

一种有效的关联规则增量式更新算法

本文针对在事务数据库不变 ,最小支持度和最小可信度发生变化的情况下 ,如何进行关联规则的维护问题进行了研究 ,并提出了一种有效的增量式更新算法     

关联规则在装备保障中的应用

本文为了发现装备维修的关联性，提高装备保障能力，提出了基于关联规则的装备保障分析，并针对某型号装备进行试验。     

关联规则在装备保障中的应用

为了发现装备维修的关联性,提高装备保障能力,提出了基于关联规则的装备保障分析,并针对某型号装备进行试验.     

关联规则增量式更新算法

讨论了关联规则的更新问题，对关联规则的增量式更新算法IUA进行了分析，指出了其存在的问题和出现问题的原因，提出了一种改进的关联规则更新算法UA．对各种情况下关联规则的更新问题进行了讨论，说明了其均可以转化为数据库不变、支持度改变的情况来讨论，UA算法在充分利用原有信息的基础上，提高了算法的效率。     

关联规则挖掘算法研究

本文论述了关联规则的基本概念、分类、基于频繁项集思想的关联规则挖掘算法——Apriofi算法，以及在基础上对Apfiofi算法的各种改进算法。然后对基于非频繁项集的各种关联规则挖掘算法，多维多层次挖掘算法思想进行了讨论。最后指出了关联规则挖掘的未来研究方向。     

关联规则挖掘的PredictiveApriori算法的研究及改进

在关联规则挖掘算法中,PredictiveApriori算法只需设定输出最好的N个规则,就可挖掘出N个预测精度最大的规则,从而极大地减轻用户参数设置的负担.但该算法需要不断对事务数据库进行扫描,如果事务数据库很大将会大大增加I/O时间,降低挖掘效率.本文融合事务压缩技术,提出一种称为Fast PredictiveApriori的改进版算法.实验结果表明,随着事务数据量的增大,改进后的算法只需扫描压缩事务集.因此,在事务数据库很大时,该算法能明显提高执行效率.     

Research on spatial association rules mining in two-direction

In data mining from transaction DB, the relationships between the attributes have been focused, but the relationships between the tuples have not been taken into account. In spatial database, there are relationships between the attributes and the tuples, and most of the associations occur between the tuples, such as adjacent, intersection, overlap and other topological relationships. So the tasks of spatial data association rules mining include mining the relationships between attributes of spatial objects, which are called as vertical direction DM, and the relationships between the tuples, which are called as horizontal direction DM. This paper analyzes the storage models of spatial data, uses for reference the technologies of data mining in transaction DB, defines the spatial data association rule, including vertical direction association rule, horizontal direction association rule and two-direction association rule, discusses the measurement of spatial association rule interestingness, and puts forward the work flows of spatial association rule data mining. During two-direction spatial association rules mining, an algorithm is proposed to get non-spatial itemsets. By virtue of spatial analysis, the spatial relations were transferred into non-spatial associations and the non-spatial itemsets were gotten. Based on the non-spatial itemsets, the Apriori algorithm or other algorithms could be used to get the frequent itemsets and then the spatial association rules come into being. Using spatial DB, the spatial association rules were gotten to validate the algorithm, and the test results show that this algorithm is efficient and can mine the interesting spatial rules.     

Research on spatial association rules mining in two direction

In data mining from transaction DB, the relationships between the attributes have been focused, but the relationships between the tuples have not been taken into account. In spatial database, there are relationships between the attributes and the tuples, and most of the associations occur between the tuples, such as adjacent, intersection, overlap and other topological relationships. So the tasks of spatial data association rules mining include mining the relationships between attributes of spatial objects, which are called as vertical direction DM, and the relationships between the tuples, which are called as horizontal direction DM. This paper analyzes the storage models of spatial data, uses for reference the technologies of data mining in transaction DB, defines the spatial data association rule, including vertical direction association rule, horizontal direction association rule and twodirection association rule, discusses the measurement of spatial association rule interestingness, and puts forward the work flows of spatial association rule data mining. During twodirection spatial association rules mining, an algorithm is proposed to get nonspatial itemsets. By virtue of spatial analysis, the spatial relations were transferred into nonspatial associations and the nonspatial itemsets were gotten. Based on the nonspatial itemsets, the Apriori algorithm or other algorithms could be used to get the frequent itemsets and then the spatial association rules come into being. Using spatial DB, the spatial association rules were gotten to validate the algorithm, and the test results show that this algorithm is efficient and can mine the interesting spatial rules.