一种基于事务时间分割的关联规则增量式更新方法

文章介绍了一种增量式关联规则更新方法,其核心思想是,将长事务以时间分割,分成一个连续的情节集合,当前情节期间获得的信息,依赖于当前的事务子集以及前面情节期间已经发现的信息。仅使用更新的事务和前面阶段的挖掘结果,增量式地产生频集。用Apriori类算法作为局部过程来产生频集,给出了具体的动态挖掘算法。

关联规则挖掘在LBS动态数据管理的应用研究

为了满足人们能在任意地点、任意时刻存取任意数据的需求,基于位置的服务(LBS,LocationBasedService)需要进行动态数据管理。一种解决方案是服务器根据关联规则挖掘出的规律,对热点数据进行预测,并利用数据广播技术将热点数据不断地推向移动客户机。但经典的Apriori算法并不适合时序数据的处理,而现有的时序关联规则挖掘算法又对服务的关联时间阀值考虑不够,故本文对经典的Apriori算法进行改进,使之适应动态数据管理的需要,从而为解决LBS动态数据管理问题提出新的解决思路。

WEB访问信息挖掘中的关联规则发现算法的研究

本文采用了一种快速算法Apriori,将传统数据挖掘技术中的关联规则发现技术引入Web数据挖掘,并针对在Web应用的特点进行了改进,有效地提高了求高频站点集的效率。

一种挖掘频繁项的新方法

介绍了关联规则挖掘的情况,然后对关联规则挖掘算法进行分析,并在此分析的基础上对经典的Apriori算法作出了进一步的改进,从而提出了这种改进的关联规则挖掘算法——Apriori-New算法。Apriori-New算法只需对数据库扫描一次,并在扫描过程中通过不断将被标记为频繁项的项集提取出来,最终找出所有的频繁项集。通过一个简单的实例说明了该算法的扫描过程,从而体现了该Apriori-New算法的效率及其所具有的实用性。

关联规则数据挖掘的研究及应用

在研究了经典的关联规则算法Apriori之后,提出了类Spriori的数据挖掘算法分析学生频繁访问的页面路径,用以提供有用的信息给网络课程设计者以及授课老师,以解决学生在网络学习过程中产生的"信息迷航"问题。