多值属性关联规则挖掘的Q-Apriori算法

针对Apriori算法进行多值属性关联规则挖掘时效率低下的问题,提出量化Apriori算法。利用多值属性数据特点改变项集存储格式,采用类似矩阵的数据结构存储项集,提高遍历数据库时统计计数的速度,使用类似矩阵的加法运算改进连接操作,减少无效候选项集的产生。实验结果表明,相比Apriori算法,该算法执行效率有较大提高。

基于多值属性Apriori算法的飞机IDG故障分析

为了更为高效地挖掘海量航空维修数据中隐含的信息,提升飞机故障分析能力及深度维修能力,通过轮廓系数K-means聚类和多值属性Apriori关联规则算法挖掘飞机IDG部件各故障因素之间的关联规则。首先,采集B737飞机故障维修数据,进行预处理并筛选出与IDG部件相关的故障数据信息;其次,利用K-means聚类和多值属性Apriori关联规则算法对IDG部件故障数据进行聚类分析和关联规则挖掘,得到主要故障现象及各因素之间的强关联规则,和传统Apriori算法对比,多值属性Apriori算法的运行时间更短、效率更高;最后,结合各组件工作机理对B737飞机IDG部件提出了相关预防性维修建议。

改进的Apriori算法在IDS中的应用

在入侵检测研究领域中,提高检测模型的检测率并降低误报率是一个重要的研究课题。提出了一种针对网络入侵检测事务流日志数据库的关联规则挖掘改进算法,它采用事务压缩和属性压缩相结合,解决了当前主流关联规则算法应用到入侵检测过程中存在的多遍扫描、大量无效规则和算法复杂度过高等问题。实验结果表明,文中所提出的方法在规则生成和对网络异常情况的检测方面都显示出比较好的性能,提高了系统效率,使其更适用于入侵检测系统。

Apriori算法改进及其在资产管理中的应用

在运用Apriori算法挖掘轨道交通企业资产数据时,针对Apriori算法会产生大量候选集而导致搜索速度降低等问题,构建频繁项生成优化模型,应用数据属性规约方式优化约束关联规则。实验表明,改进后的算法具有更好的时间效率,可适用于海量数据集。

一种基于多值属性的改进Apriori算法

随着大量需要被挖掘的数据变得越来越复杂,多维关联规则已经成为关联规则挖掘中最实用的内容之一.本文主要介绍了在多维关联规则挖掘过程中,针对同一种属性数据出现重复连接的情况,由此而提出的一种解决方案.通过对多值属性信息进行比较,去除重复连接的属性信息,保留有效信息,减少对数据库的扫描.由此对Apriori算法中连接步进行改进,最后通过布尔型关联规则挖掘数据信息并得到结果.相较于Apriori算法,改进算法能更加快速准确地发现知识,缩短挖掘所用的时间.

基于粗糙集和Apriori算法的冰川编目数据的关联规则挖掘

针对冰川编目数据的挖掘,人为给定的支持度和可信度的阈值导致挖掘出大量没有意义的关联规则。提出将粗糙集的属性重要性和属性值在事务数据库中的概率相结合方法。首先使用粗糙集方法求知识系统中各属性的重要度,然后再求出具体的属性值在知识系统中的概率,最后将重要度和概率相结合得到频繁项目集的权值,通过对项目集权值的平均加权计算,来动态改变Apriori算法的最小支持度和最小可信度,不仅提高模型的效率,而且将其应用于冰川编目数据的挖掘,挖掘出冰川的特征、海拔的关联关系。

基于Apriori算法的公共卫生事件应急条例自动匹配方法

为了提高公共卫生事件应急响应和条例适用管理能力,提出基于Apriori算法的公共卫生事件应急条例自动匹配方法,构建公共卫生事件应急条例管理的大数据挖掘模型。根据语义融合方法,进行公共卫生事件应急条例的应急调度和挖掘。构建公共卫生事件应急条例分布有向图模型,采用图模型分析方法进行公共卫生事件应急条例匹配过程中的本体结构映射。通过语义特征融合方法进行公共卫生事件应急条例自动匹配和特征提取,建立公共卫生事件应急条例的属性特征分类模型,根据属性分布进行公共卫生事件应急条例的分类调阅。根据对公共卫生事件应急条例调阅结果进行寻优控制,采用Apriori算法实现公共卫生事件应急条例自动匹配过程中的收敛性控制和寻优学习,提高公共卫生事件应急条例自动匹配精度。仿真结果表明,采用该方法进行公共卫生事件应急条例自动匹配的收敛性较好,匹配精度较高,提高了公共卫生事件应急条例的适用能力。

基于词条属性聚类的文本特征选择算法

文本挖掘之前首先要对文本集进行有效的特征选择。传统的特征选择算法在维数约减及文本表征方面效果有限,并且因需要用到文本的类别信息而不适用于无监督的文本聚类任务。针对这种情况,设计一种适用于文本聚类任务的特征选择算法,提出词条属性的概念。首先基于词频、文档频、词位置及词间关联性构建词条特征模型,重点研究了词位置属性及词间关联性属性的权值计算方法,改进了Apriori算法用于词间关联性属性权值计算;然后通过改进的K-means聚类算法对词条特征模型进行多次聚类完成文本特征选择。实验结果表明,与传统特征选择算法相比,该算法在获得较好维数约减率的同时提高了所选特征词的文本表征能力,能有效适用于文本聚类任务。

基于布尔区分矩阵与关联规则挖掘的属性约简算法

通过不同决策类之间的比较首先寻找核属性,进而以核属性为基础构造不含核属性的布尔区分矩阵,并利用吸收律和去重操作简化区分矩阵;然后以区分矩阵为基础,采用类似关联规则挖掘的Apriori算法思想逐级寻找系统的所有约简。理论分析和实验表明算法是正确且有效率的。

基于粗糙集带结论域的关联规则挖掘算法及其优化

针对Apriori-Hybrid算法的瓶颈,提出了一种使用支持度矩阵对频繁2项集快速挖掘的方法,采用改进的Apriori-Hybrid算法来挖掘关联规则,试验证明该算法提高了关联规则挖掘的效率和质量.

Online-Apriori算法的设计与研究

针对Apriori算法在发现关联规则时需要频繁扫描数据库以及数据库实时更新的现状,提出一种Online-Apriori算法。通过实验对比分析发现,Online-Apriori算法具有以下优点:(1)与Apriori算法相比,该算法通过以二进制位编码方式存储的新增频繁1项集所在行数扫描特定事务,在计算支持度时减少扫描事务的个数。此外,用二进制位编码形式存储行数,比直接存储行数更加节省内存空间。(2)与属性增量关联规则算法(ACA+)相比,当候选项集很多时,该算法大大减少剪枝判断的次数,降低候选项集的生成复杂度,大大缩短运行时间。

塔式起重机事故案例关联规则挖掘与分析

为充分利用塔式起重机事故案例信息,深入挖掘事故特征,提出一种改进的Apriori算法挖掘模式,快速有效挖掘塔式起重机事故关联规则。首先,收集200份具有详细事故调查报告的塔式起重机事故案例,分析并提取事故调查报告中事故的属性数据,按照事故属性的概念层次结构编码;然后,基于经典的Apriori算法,提出一种适用于多维多层关联规则挖掘的模式,挖掘塔式起重机事故属性与致因间多维多层的关联规则;最后,根据挖掘结果,分析并总结塔式起重机事故特征。结果表明:关联规则能有效利用塔式起重机事故调查报告信息,用定量的方式挖掘事故特征;塔吊事故属性间以及事故致因间有较强关联关系。

基于属性拆分与数据挖掘的真实口令分析

目前对网络口令安全性的研究通常集中在通信协议和加密算法的安全性分析上,较少涉及用户设置口令行为本身。为此,提出一种新的口令分析方法。通过设置口令属性,对原始口令依次进行属性拆分、属性归类,采用Apriori算法对归类后的口令属性进行数据挖掘,获得用户设置口令的内在特征。实验结果表明,该方法能够有效地从CSDN泄露的口令中分析出真实用户设置口令的习惯。用户设置的口令中存在大量弱口令,纯数字口令占总量的45.03%,姓氏拼音与数字的组合构成口令的另一大部分,占13.79%。能够在24 min之内分析处理642万条口令,可有效应对海量口令数据。

基于数据挖掘的学业预警模型构建

本文以新疆农业大学本科生学业预警体系为例,基于数据挖掘技术构建学业预警模型.首先建立数据仓库,提取特征属性,使用Pearson相关系数等对特征属性进行相关性分析;其次,采用随机森林算法对学生不及格状态进行评估;最后,利用Apriori算法建立预警规则,并对本研究实际应用于提高教学管理水平、推动教育教学改革做了有益的探索.

考虑多粒度属性约简的关联规则挖掘研究

大数据时代,人们获取所需信息的困难度提高,而数据挖掘是当下解决此问题的关键技术。Apriori算法作为数据挖掘中的常用算法,通过挖掘数据背后的潜在关联规则。考虑到传统Apriori算法执行过程中,数据扫描频繁、候选集获取繁琐等问题,提出采用加权Apriori算法,即将冗余记录存储一次,并将记录的重复次数占全部记录数的比值作为权重,压缩空间;采用二进制的布尔矩阵替代原有数据集,通过矩阵内部"与运算",获取最大频繁集,降低时间复杂度。考虑到原始数据冗余性以及粗糙集属性约简的不精确性,在提取关联规则前,提出采用多粒度粗糙集的属性约简算法,通过知识粒度细化属性值来提高约简精度,降低空间复杂度。最后,将所提方法与基于频繁矩阵的Apriori算法以及原始Apriori算法进行比较,验证所提方法的实用性和有效性。

基于属性规则与关联规则的推荐模型设计

针对如何更好地描述商品属性与用户偏好之间关系的问题,提出了属性规则概念;并针对推荐系统的冷启动问题,将属性规则与关联规则相结合,设计了一种新的推荐模型;为解决在关联规则生成过程中,Apriori算法需要多次扫描数据库的问题,采用矩阵运算的方法,一次扫描数据库,生成频繁项集,同时利用频繁项集支持度计数生成属性规则;最后,匹配两种规则产生最终Top-N推荐列表。

一种基于决策规则支持度的值约简算法

基于决策规则的条件属性支持度和规则支持度,结合Apriori算法思想,本文提出了一种利用决策规则支持度对粗糙集中决策表进行值约简的算法。实例表明该算法可以有效地对决策表进行值约简。

Product Customer Demand Mining and Its Functional Attribute Configuration Driven by Big Data

The maturity of big data analysis theory and its tools improve the efficiency and reduce the cost of massive data mining.This paper discusses the method of product customer demand mining based on big data,and further studies the configuration of product function attributes.Firstly,the Hadoop platform was used to perform product attribute data participle and feature word extraction based on Apriori algorithm was used to mine product customer demand information.And then the MapReduce model on the big data platform was applied into efficient parallel data processing,obtaining product attributes with research value,and their weights and attribute levels.After that,the cloud model and the MNL model were employed to construct the product function attribute configuration model,and the improved artificial bee colony algorithm was used to solve the model.The optimal solution of the product function attribute configuration model was got.Finally,an example was given to illustrate the feasibility of the proposed method in this paper.