关系数据库中关联规则挖掘实现研究

近年来，关系数据库得到了广泛的应用，研究在关系数据库中进行关联规则挖掘的有效技术的需求日益增强。文中根据Apriori算法思想并在分析关系数据库中关联规则特点的基础上，介绍了基于Visual FoxPro的关联规则挖掘的实现过程。     

关联规则的发展

关联规则是数据挖掘中一种简单但很实用的规则,文章简要介绍了关联规则的概念及其分类,以及当前关联规则的挖掘算法研究情况,重点介绍了经典的基于Apriori类的候选生成方法和基于FP-tree的方法,并针对当前改进的挖掘算法进行简要说明,最后提出关联规则将来的发展方向。     

一种新的关联规则抽样算法

针对目前经典的关联规则挖掘Apriori算法需对数据库多次扫描费时多计算量大,而抽样扫描会造成挖掘精确度下降等问题,采用控制样本频繁项目集的方法,利用频繁1项集进行抽样处理,对关联规则挖掘的抽样操作和精度控制进行研究,提出了基于抽样操作的关联规则挖掘算法——HAC算法。理论分析及性能试验结果表明:HAC算法能够有效缩减数据库规模,至少少扫描数据库1次,提高了关联规则挖掘的效率,同时其计算精度不受影响。     

数据挖掘中关联规则的小生境遗传算法

根据关联规则挖掘的要求与特点,提出了一种新的基于小生境遗传算法的关联规则挖掘方法,该算法可以有效解决传统遗传算法搜索过早收敛的缺陷,实验结果显示,该方法能高效地解决关联规则挖掘问题。     

基于遗传算法的城市公交服务质量评价知识规则挖掘方法

城市公共交通服务质量评价知识规则是城市公共交通企业进行服务质量评价的重要依据，优质、合理的评价知识规则将使服务质量评价更加公正、更加客观。本文在分析城市公共交通服务质量评价指标体系的基础上，将一种改进的遗传算法用于城市公共交通服务质量评价价的知识规则挖掘，提出一种基于遗传算法的城市公共交通服务质量评价知识规则挖掘方法，阐述算法的实现途径。实例表明，该方法在进行知识规则挖掘时是完全可行的、有效的。     

一种基于频度的空间关联规则挖掘算法

针对传统关联规则挖掘算法没有考虑空间数据的"空间自相关性"和空间关联规则挖掘的自身特点,提出了新的基于频度的空间关联规则挖掘算法,提高了空间关联规则挖掘的效率,并以广州市南沙地区的遥感图像分类结果为例进行关联规则挖掘实验,结果证明新的算法可行性.     

关联规则中Apriori算法改进的研究

研究基于大型销售数据库的关联规则挖掘问题,分析和讨论了挖掘关联规则中Apriori算法,对其实现思想进行描述,并针对该算法的缺点提出了2种改进算法。     

基于熵值离散法的混合关联规则

已有的关联规则算法研究的对象通常是基于单一类型属性的关系表,算法的实际应用范围受到挖掘对象属性类型的限制。在对基于熵值离散法的量化关联规则进行改进的基础上,提出了面向混合属性关系表的关联规则挖掘思想,并对其应用于股票信息的关联规则分析做出了阐述。试验证明改进后的算法是可行的、有效的。今后还可对不同时间段、不同置信度、不同支持条件下的股票信息中蕴涵的关联规则进行研究,并进行相应的验证与修改。     

基于改进蚁群算法的分类规则挖掘

数据分类是数据挖掘中的一个重要课题,研究各种高效的分类算法是数据挖掘的重要问题之一.本文将蚁群算法与分类规则抽取问题相结合,提出了一种基于蚁群算法的具有自适应和变异杂交特征的分类规则挖掘方法,自适应地调整信息素增量,在规则构造中进行杂交变异,有效地节省了计算时间,并优化了生成的分类规则.实验结果表明:该算法可以有效克服停滞,提高搜索效率,有效地挖掘出简洁分类规则.     

数据挖掘技术在高等学校决策支持中的应用

为有效利用高等学校教学管理工作多年来积累的大量数据，利用数据挖掘技术，对北京地区高等学校1996—2001年毕业生数据库(Beijing Graduation Database，BGD)进行了数据挖掘研究。采用多种数据预处理方法对原始BGD数据进行了处理，提出并利用附方法进行了属性构造；对关联规划挖掘常用的Apriori算法进行了改进，以此为基础根据实际需要设计并实现了关联规则挖掘系统；利用所实现的系统对GBD数据库进行挖掘分析，得到了有益于高等学校教学管理决策及毕业生就业指导的挖掘结果。     

基于关联规则数据挖掘算法的应用

数据挖掘,又称数据库中的知识发现,作为一门新兴的研究领域,主要目的是从数据集合中发现隐含的、事先未知的、对决策有潜在价值的用户感兴趣的知识,数据挖掘是当前数据库领域中最受瞩目的研究方向之一。在数据挖掘研究中,关联规则挖掘作为数据挖掘研究中的一个重要部分,引起了越来越多的关注。本文利用SQL Server 2005数据挖掘工具,对已测得的土壤数据,利用关联规则算法对土壤的地力等级进行了预测。     

一种基于序列数的关联规则挖掘算法

在关联规则挖掘研究中,为了在产生候选频繁项时减少算法存在的重复计算和冗余候选项,为了在计算支持数时减少扫描事务数据库的次数,提出了一种基于序列数的关联规则挖掘算法,其关联规则适合挖掘任何长度.该算法用事务属性的布尔约简法,将传统事务数据转换成二进制数,然后用数字的递增和递减两种方式双向搜索候选频繁项;算法通过序列数的度来计算支持数,实现一次扫描数据库,有效地提高了算法的效率.     

基于Apriori算法的Web日志文件挖掘模块的实现

为了识别用户浏览模式,实现利用关联规则挖掘算法Apriori对Web应用挖掘过程中预处理阶段所产生的用户会话文件进行挖掘的模块,该模块针对用户选定的若干页面产生满足最小支持度和最小置信度的页面之间的强关联规则。关联规则挖掘结果对网站管理员重新调整网站结构、通过预测用户浏览模式提供推送服务来提高用户的访问效率和网站资源的利用率有一定的指导作用。     

对Apriori算法的研究及改进

关联分析是数据挖掘的本质体现,关联规则挖掘就是寻找给定的大量数据项集之间存在的某种规律的过程。Apriori算法是关联规则中最重要的一种挖掘频繁项集的算法,但是它也存在一定的不足。目的为了提高挖掘效率。方法采用实验的方法,在经典Apriori算法的基础上进行改进。结果证明改进的Apriori算法性能优于经典的Apriori算法,尤其是在交易事务条数比较多的情况下,效果更加明显。结论是改进的算法在计算支持度个数时,每次不需要扫描全部数据库,只需要在精简的数据库表中扫描各项所在的行就可以了,大大节省了时间;支持度计数的统计也比较容易,也不会产生过多的冗余,可以在很大程度上降低挖掘的复杂度,提高挖掘算法的效率。     

基于关联规则的图书馆个性化服务研究

关联规则挖掘技术是一种新兴的数据处理技术,其算法及应用在图书馆中起着非常重要的作用。Apriori算法是关联规则挖掘的经典算法,在分析Apriori算法的基础上,提出利用FP-tree生成树技术来减少候选集的数量,克服Apriori算法的弱点,以提高图书馆个性化服务的效率。     

空间数据挖掘及其发展研究

探讨了空间关联规则,利用移动计算中基于Apriori算法的空间关联规则提取的例子,详细介绍了经典算法Apriori算法在空间关联规则中的应用,并对空间数据挖掘的发展进行了展望。     

高校图书馆特色数据库建设中的数据挖掘

目前数据挖掘技术研究发展迅速,其实质是在海量数据中找出人们感兴趣的数据并以我们需要的某种形式呈现出来。高校图书馆特色数据库建设发展迅速,带来了极大便利。但是数据库信息量巨大,所以,运用数据挖掘技术对特色数据库数据集进行挖掘处理,将基于确信度的关联规则算法引入到特色数据库的建设中,从大量的数据中提取关键信息。     

负关联规则兴趣度度量方法研究

关联规则挖掘是数据挖掘领域的一个重要课题。负关联规则相比正关联规则反映了不同的决策问题,有着重要的研究意义。目前负关联规则的兴趣度度量主要采用传统的基于支持度-置信度框架的度量方法。然而这些传统的度量方法存在一些局限,如标准不客观、不能反映项集间的相关性等,为了克服这些问题,本文提出一种基于余弦度量的兴趣度度量方法。