基于频繁模式树的关联规则增量式更新算法

研究了大型事务数据库中关联规则的增量式更新问题 ,提出了一种基于频繁模式树的关联规则增量式更新算法 ,以处理最小支持度或事务数据库发生变化后相应关联规则的更新问题 。

大型数据库中的高效序列模式增量式更新算法

提出一种称为FIMS(fastincrementalminingofsequentialpatterns)的序列模式增量式更新算法,处理因数据库的更新而引起的序列模式的维护问题.主要思想是利用原先的序列模式挖掘结果,通过建立一个投影数据库来减少对整个数据库的扫描次数和候选序列的生成,从而提高挖掘的效率.实验结果显示在更新数据量远小于整个数据库的大小时,FIMS算法的性能优于GSP算法4～7倍.

一种基于前缀广义表的关联规则增量式更新算法

关联规则挖掘是数据挖掘研究的一个重要方面 ,关联规则的高效维护算法研究是当前研究的热点 .传统更新算法与Apriori算法框架一致 ,要多遍扫描数据库并产生大量的候选项目集 .为此 ,该文对FP tree进行了改进 ,引入了前缀广义表———PG List,并提出了基于PG List的关联规则挖掘 (MARBPGL)与增量式更新算法(IUABPGL) .算法MARBPGL仅须扫描数据库两遍 ,算法IUABPGL在最坏的情况下仅须扫描原数据库一遍 ,扫描新增数据库两遍 ,且两个算法均无须生成候选项目集 ,避免了产生“知识的组合爆炸” ,提高了挖掘和维护的效率 .理论分析和实验结果表明该文提出的算法是有效可行的 .

频繁项目集的快速增量式更新算法

提出了频繁项目集的快速增量式更新算法(FIUA),主要考虑最小支持度发生变化时频繁项目集的更新情况.FIUA在最坏的情况下仅需扫描数据库一遍,且无需生成候选项目集,有效地节约了存储空间,提高了频繁项目集的更新效率.

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，并提出了一种高效的增量式更新算法。

发现关联规则的增量式更新算法

数据挖掘是当今国际人工智能和数据库研究的新兴领域，而关联规则的更新是数据挖掘的一个重要研究内容。文章提出了IUAR算法，用于解决在元组数和最小支持度均发生变化时关联规则增量式更新问题。

改进型关联规则增量式更新算法与实现

关联规则是数据挖掘中的重要研究内容之一 .目前 ,已经提出了许多算法用于高效的发现大规模数据库中的关联规则 ,但是对关联规则的维护问题的研究工作却很少 .本文对在事务数据库不变 ,只对最小支持度和最小可信度进行改变的情况下 ,如何进行关联规则的维护问题进行了探讨 。

一个高效的关联规则增量式更新算法

针对关联规则的维护问题，设计了一个高效的增量式更新算法ＦＩＵＡ，并将ＦＩＵＡ和已有的ＩＵＡ算法进行了比较，并通过实验证实了ＦＩＵＡ算法的高效性。

一种有效的关联规则增量式更新算法

关联规则是数据挖掘中的一个重要研究内容。目前已经提出了许多用于高效地发现大规模数据库中的关联规则的算法,而对已发现规则的更新及维护问题的研究却较少。文章提出了基于频繁模式树的关联规则增量式更新算法,以处理事务数据库中增加了新的事务数据集后相应关联规则的更新问题,并对其性能进行了分析。

一种改进的关联规则增量式更新算法

在支持度和置信度不变的情况下,随机或偶然向数据集添加数据记录会导致关联规则的变化.在FUP算法的基础上给出了一个改进的增量式更新算法,本算法在充分利用先前关联规则的基础上极大的减少了扫描原数据集的次数,与FUP算法相比极大的减少了算法运行时间,并实验验证了算法的优越性.

一种新的关联规则增量式更新算法

首先提出了一个新的概念—后备频繁项目集,其次给出了一种新的增量式更新算法NEWFUP,最后介绍了在某中小型商业企业的事务数据库中该算法的实现。

一种改进的关联规则增量式更新算法

本文对在事务数据库不变最小支持度发生变化的情况下的关联规则增量式更新算法(IUA)进行了分析,指出了该算法的不足之处,并在它的基础上提出了一种改进的算法,通过对两种算法的比较表明新算法的优越性。

改进的关联规则增量式更新算法

本文就数据库不变,最小支持度发生变化的情况下,关联规则的维护问题进行研究,提出了一种新的增量式更新算法。

基于FP树的挖掘关联规则的增量式更新的研究

关联规则的高效维护算法研究是当前数据库研究的热点之一。本文研究了事务数据库中关联规则的增量式更新问题,提出了基于频繁模式树的关联规则增量式更新算法的设计思路,以处理最小支持度或事务数据库发生变化后关联规则的更新问题。

基于逆向搜索的关联规则更新算法

对现有关联规则更新算法中的增量式更新算法进行分析,发现在决策者优先关注最大频繁项目集的情况下,该算法不能以较少的数据库遍历次数快速获取最大频繁项集。针对该算法的不足,提出一种基于逆向搜索的方式进行关联规则更新的算法。该算法生成新增项集的所有频繁项集,通过将其中最大频繁项集跟原项集中最大频繁项集进行拼接、修剪,从中获得更新后的最大频繁项集。实例结果表明,该算法既降低了关联规则更新过程中对数据库的遍历次数,又实现了优先获取最大频繁项目集。

量化关联规则挖掘及算法

提出了一种新的量化关联规则挖掘算法QAR及其增量式更新算法IUQAR .算法以模糊集理论为基础 ,利用模糊概念表示量化属性属性间的关联关系 ,克服了传统的离散分区方法的不足 ,使得规则的表示自然、简明 ,有利于专家理解 .同时 ,给出的算法IUQAR ,有效地解决了规则的维护问题 .