基于普通ER模型的多关系序列模式挖掘算法

在普通ER模型下,为了避免多表物理连接,本文提出了一种挖掘多关系序列模式的算法(MSPEM).该算法首先指定目标表及关键原子,建立相应的语义关系图,再根据语义关系图中的连接路径,传播元组标号.挖掘过程可分为单表挖掘和跨表挖掘,支持度的计算以关键原子为依据进行统计,最终得到基于虚拟连接表的多关系序列模式.MSPEM是一种ER模型下的基于元组传播的多关系序列模式挖掘方法,同时通过指定关键原子解决了基于虚拟连接表存在的统计偏斜问题.实验结果表明MSPEM算法具有更高的执行效率.

多关系决策树学习算法的研究与改进

通过对多关系决策树学习算法MRDTL-2进行研究与分析,针对其运行效率较低和不能有效处理丢失属性值的问题,提出一种改进的多关系数据挖掘(IMRDTL)算法。在IMRDTL算法中,利用元组ID传播技术来进一步提高MRDTL-2算法的运行效率,同时使用广义朴素贝叶斯分类器来填补丢失的属性值,以进一步提高算法的准确率。

多关系数据分类方法综述

多关系数据分类是多关系数据挖掘重要任务之一,它能够直接从多关系数据表中发现有效模式,比命题分类方法具有更大优势。根据知识表示形式及相关策略的不同将多关系数据分类分为归纳逻辑程序设计关系分类方法、图的关系分类方法和基于关系数据库的关系分类方法。着重论述了它们所采用的具体关系分类技术及其特点,对这些方法进行了对比,最后讨论了它们当前所面临的挑战性问题。

一种多关系频繁模式挖掘算法

传统数据挖掘算法在处理多表时,需要物理连接,存在效率不高的问题。为了解决这一问题,提出了一种多关系频繁模式挖掘算法。该算法利用元组ID传播的思想,使多表间无须物理连接,就可以直接挖掘频繁模式。实验表明,此算法具有较高的效率。

一种基于用户指导的多关系关联规则挖掘算法

提出一种基于用户指导的多关系关联规则挖掘算法,对传统的关联规则挖掘方法进行拓展,借鉴元组ID传播的思想使多表间无需物理连接而能直接进行关联规则挖掘,并引入了用户指导的概念,提高了用户的满意程度及挖掘的效率和精确度.该算法能够直接支持关系数据库,且运行时间远远小于基于ILP技术的多关系关联规则挖掘算法.

一种有效的多关系聚类算法

研究多关系数据挖掘的聚类问题,提出一种有效的多关系聚类算法EMC.EMC算法的目标是提高聚类的准确率,并且降低运行时间.EMC算法首先利用元组ID传播的思想,计算两个对象之间的相似度,接着利用K中心点聚类算法,将对象划分成簇.实验表明,EMC算法显著降低运行时间,并且提高聚类的准确率.

一种有效的多关系贝叶斯分类算法

传统数据挖掘算法在处理多关系时,需要物理连接,因此存在效率不高的问题.为了解决这一问题,研究多关系数据挖掘中的分类问题,提出一种有效的多关系贝叶斯分类算法EMBC.EMBC算法的目标是提高分类的准确率,并且降低运行时间.EMBC算法利用元组ID传播的思想,结合朴素贝叶斯分类算法,可以直接在多关系上进行分类.实验表明,EMBC算法提高分类的准确率,并且显著降低运行时间.

一种新型基于用户指导的多关系关联规则挖掘算法

本文提出了一种基于用户指导的多关系关联规则挖掘算法,借鉴有向图的概念动态的选择最优关键表,并利用元组ID传播的思想使多表间无需物理连接而能直接进行关联规则挖掘,同时引入用户指导的概念,提高了用户的满意程度及海量数据挖掘的效率和精确度.该算法能够直接支持关系数据库,且运行效率远远高于基于ILP技术的多关系关联规则挖掘算法.

改进的多关系决策树算法

高效性和可扩展性是多关系数据挖掘中最重要的问题,而提高算法效率的主要瓶颈在于假设空间,且用户对分类的指导会在很大程度上帮助系统完成分类任务,减少系统独自摸索的时间。针对以上问题提出了改进的多关系决策树算法,即将虚拟连接元组传播技术和提出的背景属性传递技术应用到多关系决策树算法中。对改进的多关系决策树算法进行了理论证明,并且对多关系决策树算法和改进的多关系决策树算法进行比较实验。通过实验可以得出,当改进的多关系决策树在搜索数据项达到背景属性传递阈值时,改进的多关系决策树算法的效率相对很高且受属性个数增加(或记录数增加)影响较小。因此提出的算法优于现有的同类算法,实现了预期的研究目标。

浅谈改进的多关系决策树算法

对于多关系数据挖掘而言,高效性一直是多关系数据挖掘的研究重点,提高算法效率的主要瓶颈在于假设空间。文章提出了改进的多关系决策树算法MRDTL-2,提高了算法的效率。主要是在以下改进:在用户指导情况,将元组传播技术应用到多关系决策树算法中。

SCrossMine——一种基于多关系数据挖掘的空间分类方法研究

空间数据分类算法大部分基于单表,将多关系数据挖掘的分类技术用于构建空间数据对象的分类模型,特别是元组ID传播技术使得空间数据对象可以高效表征包括领域属性和空间位置的完整特征,从而使得分类依据更客观。实验表明SCrossMine算法可以获取较高的分类精度,同时分类结果也能较好不同类别对象的空间分布格局。

一种有效的多关系决策树分类算法

多关系数据挖掘,是数据挖掘方向其中一个热门的研究内容,并且是具有挑战的一个问题。在处理多关系时,传统的数据挖掘算法需要进行物理连接,因而存在效率不高的问题。为了解决这个问题,研究多关系数据挖掘的分类,提出一种有效的多关系决策树分类算法,名为EMDT。EMDT的目标是提高分类准确率,并减少运行时间。EMDT利用元组ID传播,构造出一颗决策树,可以直接在多关系中对类标号未知的元组进行分类,不需要进行物理连接。实验表明,EMDT提高分类准确率,并显著减少运行时间。