多数据库挖掘中独立于应用的数据库分类研究

目前的数据挖掘技术大多只针对单一数据库进行挖掘。当数据库有多个时,需要用到多数据库挖掘技术。应用聚类思想,提出一种独立于应用的数据库分类方法,并给出了相关的算法,最后用实验证明了该方法的正确性和有效性。

多数据库挖掘的研究

多数据库技术的进步导致大量的多数据库系统的开发,为了决策的目的,许多跨国(省)公司急需挖掘他们那些分布在子公司的数据库.不过,现有的多数据库挖掘依然沿用单个数据库挖掘技术,即,首先将相关的数据库中的数据并入一个集合,然后挖掘这个集合,这会破坏一些有用的模型,像‘一个公司的70%子公司认为一个45-65的已婚顾客通常至少有2部车'.这种模型是有助于该公司的总体规划.另一方面,多数据库挖掘和单个数据库挖掘之间存在本质的不同.例如,多数据库挖掘要考虑总公司和子公司的多层次应用.在这个报告中,设计了一个多数据库挖掘过程及可能遇到的问题.同时也简要地论证了多数据库挖掘的重要性,多数据库挖掘和单个数据库挖掘之间的不同之处,以及现有的多数据库挖掘技术的缺陷.

多数据库中例外模式挖掘方法研究

首先比较了现有的两种挖掘方法,提出了一种改进技术。综合考虑例外的局部和全局兴趣度,剔除非真正有趣的局部例外;增加两种客观度量并按模式重要度排序。实验表明该方法不仅可以有效挖掘多数据库中例外模式,而且还大大减少了用户负担。

一种基于用户导向的多数据库例外模式挖掘方法

例外模式挖掘是数据挖掘的一项重要内容.该文针对用户的兴趣提出一种多数据库中例外模式的挖掘方法,先由用户给定他感兴趣的数据对象,选择与用户兴趣相关的数据,局部分析每一个数据库得到局部模式,再将局部模式综合得到全局模式,最终得到例外模式;并用实验验证了该方法的正确性和有效性.

基于聚类的多数据库分类算法的研究与实现

针对多数据库挖掘的预处理，提出了运用聚类的思想来对数据库进行分类。同时，提出了改进的BestClassification算法。通过实验证明这种分类方法具有较好的有效性和正确性。

一个基于高内聚和低耦合的多数据库分类方法

数据库分类是多数据库存储、管理和挖掘的预处理技术。目前,不依赖具体应用的多数据库分类的研究甚少,并且忽略内聚度和耦合度,复杂度高。论文提出一个基于高内聚和低耦合的多数据库分类方法,该方法不依赖于具体的应用,避免了聚类结果的不稳定性,且降低了时间复杂度。具体地,该方法名为DHC首先构造一个多目标优化问题,然后利用层次聚类思想构造算法查找最优聚类。利用一个人工数据库和一个现实数据库相似度二维表进行实验,实验表明该方法聚类稳定性强,时间复杂度比BestClassification低,泛化能力强。

增量式的多源序列模式挖掘隐私保护算法

为解决多数据源挖掘隐私保护问题,文章采取按相似度分类多源数据库及其增量数据库,利用原始数据库挖掘结果和增量数据库分析结果进行敏感序列模式匹配,以有效减少数据库扫描次数的方法,设计实现隐私保护的增量式的高投票率序列模式挖掘算法。实验结果表明,给出的算法既能够准确挖掘出多数据源中全局高投票率模式,又能有效地隐藏保护敏感模式,且显著缩短了挖掘时间。

高选票例外模式挖掘研究与实现

例外模式挖掘是数据挖掘的一项重要内容。提出一种新的多数据库中的例外模式——高选票例外模式,并提出一种挖掘方法,局部分析每一个数据库得到局部模式,再将局部模式进行聚类,在每个类中先找到高选票模式,再根据方差的性质最终得到例外模式;并用实验验证了该方法的正确性和有效性。

一种基于聚类的多数据库分类方法设计

多数据库挖掘最常用的方法是先将多数据库进行分类,然后对每个类进行单独挖掘,最后将各个类中的模式进行集成得到全局模式。这些数据库分类方法都只是针对事务数据库而设计,用两个数据库中共同项集的比例来衡量这两个数据库的相似度,以此来进行数据库分类。本文提出一种基于聚类的数据库分类方法,可以对任何类型的数据库进行分类。

基于关联规则的模式库划分算法

在多数据库挖掘的过程中一般要先将多个数据库按照某种规则进行划分,再进一步进行模式挖掘,提出了一种基于关联规则的相似度测量方法,将各个局部模式库进行划分,并对划分的结果进行评价,接着根据评价的结果设计出了一个选择最好划分的算法,找出最好的一种划分。最后经实验验证,算法是准确而有效的。