一种交互式的约束关联规则开采算法

该文针对传统关联规则开采算法的不足,提出了一种交互式的基于约束的关联规则开采算法,解决了特定应用下的数据采掘及其效率问题。

面向网络业务流设计的时态路径约束关联规则算法

提出了一种新的基于业务流分析方法 ,采用关联规则挖掘的算法对全网业务进行关联关系分析 .该方法在Aprior算法的基础上 ,引入时态约束和路径约束 ,使之更加体现网络业务的特性 .使用该方法 ,可以充分利用已有数据 ,分析已有业务的行为 ,且可以预测未来业务的行为 .模拟实验结果表明 ,该算法对业务流分析中不同业务之间的相关性发现是非常有效的 .

基于约束关联规则挖掘方法的研究与应用

关联规则挖掘应用于商业等领域,它能发现大量数据中的关联关系,为制定决策提供重要信息。将关联规则应用于客户关系管理,深化CRM的分析功能。针对企业要求和交叉销售的特点,分析基于约束关联规则挖掘方法,提出基于约束的FP-growth算法。分析表明,在CRM中应用基于约束关联规则挖掘方法,可以为企业制定销售策略提供有效的依据。

基于Eclat算法的多种约束关联规则挖掘算法研究

在Eclat算法的基础上,将多种约束条件(反单调约束、单调约束、简洁性约束、可转变的约束)整合到关联规则的挖掘过程中,并给出了EclatA、EclatM、EclatS、EclatCA等相应约束条件下的挖掘算法；实验结果表明所提出的算法是一种十分有效的解决基于多种约束条件下的关联规则挖掘算法。

基于规则前后部约束的关联规则挖掘算法

目前,基于项约束的关联规则挖掘算法,未考虑用户感兴趣的规则前后部项集,常常包含了大量冗余无价值的关联规则。针对此问题,提出了一种基于规则前后部约束的关联规则挖掘算法AR_F&R。该算法根据用户需求,构造指定关联规则的前后部项集,得出针对用户需求的频繁项集和关联规则,并与具有代表性的项约束关联规则挖掘算法Recorder进行了对比实验,结果表明AR_F&R算法具有更高的挖掘效率,算法执行时间也有所降低。

分布式环境下挖掘约束性关联规则的算法研究

关联规则是数据挖掘的重要研究内容。基于约束的关联规则挖掘可以促进交互式探查与分析。该文主要研究了分布式环境中挖掘约束性关联规则的问题。在并行关联规则挖掘算法CD和约束性关联规则挖掘算法Direct的基础上,提出了一种新的分布式挖掘约束性关联规则算法DMA_IC。该算法对于解决分布式挖掘约束性关联规则的问题是十分有效的。同时,文章还对DMA_IC算法的通信性能进行了讨论。

基于抽样的分布式约束性关联规则挖掘算法研究

本文采用抽样的方法,在基于约束的Eclat类算法(例如EclatA和Eclat M)的基础上,提出了一种分布式约束性关联规则的挖掘算法———DMCASE算法。本算法在各数据站点上对一个较小的样本采用基于约束的Eclat类算法,挖掘局部约束频繁项集,采用归纳学习的方法归并所有局部约束频繁项集,产生全局约束频繁项集。只需1次扫描数据库,挖掘效率较高。实验证明:该算法是一种十分有效的解决基于约束条件下的分布式关联规则挖掘算法。

分布式数据库约束性关联规则挖掘

针对分布式数据库和约束条件的特点,提出了2种在分布式环境下挖掘约束性关联规则的有效算法,即基于Apriori算法的DMAIC算法和基于频繁模式树的DAMICFP算法。此外,进行了实例验证和测试分析,指出了这2种算法各自的优缺点及适用条件。研究结果表明:DMAIC算法可靠性高,通信协议简单,适用于对通信性能要求不高的分布式数据库;DAMICFP算法执行效率高,通信性能好,适用于对通信性能要求较高的多项目分布式数据库;这2种算法均能有效地解决分布式挖掘约束性关联规则的问题。

分布式数据库项约束多层关联规则挖掘

由于分布环境的日益普遍并且需要结合使用者的实际要求对数据集按层次挖掘关联规则,故本文针对在分布式环境下基于项约束的关联规则挖掘和多层关联规则挖掘的特点,将交易表按概念层次进行编码,使用逐层迭代挖掘策略,结合CD算法和Direct算法提出一种在分布式环境下挖掘约束性多层关联规则的有效算法:MLACD算法,并通过实验验证该算法是正确有效的。

基于数据挖掘技术的课程相关性模式研究与实现

运用数据挖掘的关联分析理论,对学生课程成绩数据库挖掘了专业课程之间的相关性,得到了一些合理、可靠的课程关联规则。针对产生的大量规则提出了适当的约束条件来剔除用户不感兴趣的关联规则,并挖掘出部分课程间的有趣规则,从而为学分制体系下的学生选课提供指导以及为今后的教学课程设置提供参考。