基于奎因-麦克拉斯基算法的大数据集关联规则的研究

对数据挖掘的关联规则数目进行简化是社会化计算领域的一个非常重要的话题,针对出现频率的现有方案对相对大规模的数据集无效的问题,提出一种新的挖掘方法 WTabular算法,该算法给每条规则分配一个权重,移除不重要的规则并结合奎因-麦克拉斯基算法来对规则进行简化。实验表明相比传统的代表性算法,如APRIORI算法和频繁模式(FP)增长算法,本文方法有效地提高了支持度、可靠性、规则简化率以及处理时间。

基于社会计算的大数据集关联规则的研究

针对出现大规模的数据集无效的问题,提出了一种新的挖掘方法 WTabular算法。该算法为每条规则分配一个权重,移除不重要的规则,结合奎因-麦克拉斯基算法来对规则进行简化。实验表明,与传统的代表性算法,如APRIORI算法和频繁模式(FP)增长算法相比,提出的WTabular方法有效地改善了支持度、可靠性,规则简化率以及处理时间。