基于概念格的无冗余关联规则提取算法

针对传统挖掘算法生成的关联规则存在大量冗余、难于理解和应用的问题,提出一种新的频繁闭项集概念格FCIL(Frequent Closed Itemsets Lattices),用于生成无冗余关联规则。首先,对概念格理论进行研究,概念格节点间的泛化和例化关系非常适合规则提取;然后,结合频繁闭项集能有效减少规则数目的特点,构建一种新的FCIL;最后,给出FCIL构造算法和相应的规则提取算法。实验表明,该方法能够高效地产生无冗余规则集。

一种基于闭项集的无冗余关联规则挖掘方法

针对关联规则挖掘中存在的规则数量过多,难于理解和应用的问题,提出了一种基于闭项集的无冗余关联规则挖掘算法.首先,给出了无冗余关联规则的定义,并基于规则信任度的概念说明了该定义的合理性;其次,在生成子、闭项集和无冗余关联规则的基础上,给出了无冗余最小-最大精确规则基和无冗余最小-最大近似规则基的定义,并讨论了它们的剪枝策略.最后,讨论了生成子的性质及连接策略,并在包含索引的基础上,给出了一种宽度优先的无冗余关联规则挖掘算法.实验结果表明,本文提出的算法不仅可以发现规模较小的无冗余关联规则,提高了挖掘结果的可理解性,而且具有较高的挖掘效率.

大数据环境下的基于超图的去除冗余关联规则算法研究

本文以面向大数据的高维数据挖掘技术为研究对象，运用邻接矩阵及其有向超图检测关联规则项之间的关系，探索了在大收据条件下关联规则冗余的检测法、基于生成树的分类去除算法，该算法能有效地提高关联规则的挖掘效率、降低实际处理所需要的时间。

基于同组项目集关联规则集排冗方法

关联规则挖掘是数据挖掘领域的一个重要研究课题,目的在于从大量的数据库记录或交易中发现所有频繁出现的项目子集,并以规则形式给出项目子集之间的相互影响关系．但是用传统关联规则生成方法所生成的规则一是数量庞大,二是其中包含许多具有相同意义的规则,这必然对用户理解和提取信息带来干扰．本文通过引入同组项目集概念定义了冗余规则类型,并给出了有效排冗关联规则挖掘算法．

一种基于K-means的关联规则聚类算法

关联规则是数据挖掘领域中的主要研究内容之一。针对高维海量数据集,尤其当支持度和置信度阈值太低时,将生成大量冗余和相似的关联规则,从而对关联规则的理解和使用造成了困难。本文采用改进的K-means思想,给出了一种关联规则聚类算法:首先重新定义了冗余关联规则,并给出了删除的方法;然后定义了一种新的规则间相似性度量;最后利用K-means思想,采用最大三角形方法选取聚类的初始点,将相似的关联规则归为一类。实验验证该算法能够帮助用户快速有效地找到有用的关联规则,提高了关联规则的可理解性。

基于属性偏序结构图的关联规则提取方法

针对Apriori算法生成大量冗余关联规则的问题,本文提出了一种基于属性偏序结构图的关联规则提取方法。该方法旨在寻找相同支持度下的最大频繁项目集,进而提取无冗余关联规则。本文提出的方法不仅减少了挖掘频繁项目集的数量,从而提高关联规则提取的效率,而且将关联规则转换成属性偏序结构图中的知识表示形式,实现了频繁项分层的关联规则可视化展示。具有较强的可读性,有助于用户对关联规则进行深入分析,提高对潜在知识的利用和发掘程度。