基于相似度的Apriori混合算法研究

针对Apriori关联规则算法与用户兴趣度不匹配,容易造成错误商务决定的问题。提出一种新的基于相似度的Apriori混合算法,以提高数据分析的准确率。通过加入用户兴趣度权重,利用协同过滤算法中客观用户相似度替代主观兴趣度改进了Apriori算法,并进行测试。实验结果表明,改进后的算法平均置信度提高了13%,平均支持度提高了25%,有效提高了关联规则的准确性。

序列模式算法研究——类Apriori方法

基于关联规则的Apriori算法 ,对序列模式挖掘的规则类Apriori算法的思想对性能进行了研究 。

Web挖掘中基于GITC算法发现用户频繁访问模式

用户频繁访问模式的发现是Web日志挖掘的重要研究内容。提出了一种先求两两用户访问模式的交集结果再生成候选频繁访问模式,然后扫描数据库,统计各个候选频繁访问模式的支持度计数的GITC算法。经过理论分析和实验验证,该算法能有效地发现用户频繁访问模式。

基于事务相似矩阵的关联规则挖掘算法

通过对Apriori算法挖掘过程的深入分析,提出一种改进的关联规则挖掘算法——基于事务相似矩阵的关联规则挖掘算法(ARBSM):在压缩事务布尔矩阵的基础上构建一个事务相似矩阵,直接查找高阶K-项频繁集,有效解决了Apriori算法逐层搜索的迭代产生频繁项集的瓶颈问题。测试结果表明,ARBSM算法可以高效地挖掘潜在的强关联规则。

基于Web日志的序列模式挖掘应用研究

首先分析了序列模式挖掘算法——类Apriori算法,然后重点介绍了如何对Web服务产生的大量日志数据进行收集、预处理,并基于类Apriori算法对Web日志进行分析,发现新模式,为优化网站建设提供有价值数据。

基于关联规则的Web日志数据分析系统

本文旨在研究基于Web环境下利用关联规则对Web日志挖掘的数据分析系统。把关联规则的概念引入到web日志挖掘中，将用户的访问路径以关联规则的形式表现出来，其目的在于从用户访问超文本系统的行为中发现用户的访问模式。然后在砷riori挖掘算法思想的基础上，对其改造，给出了适合挖掘用户访问频繁路径的类Apriori算法。最后设计开发了一个Web日志数据分析系统。此系统主要包含三个功能模块：数据预处理模块。

Web挖掘中基于交集算法发现用户频繁访问模式

文章提出了一种基于交集关系原理的算法叫做交集算法,它与类Apriori算法本质上互补。这种算法的最大优势是不需要产生大量的候选频繁访问模式,就可以直接生成最大频繁访问模式,因此在挖掘过程中也就不需要反复扫描原始数据库来计算各个候选频繁访问模式的支持度计数;经理论分析和试验证明,交集算法具有一定的理论意义和应用价值。

关联规则在高校师资评测系统中的应用

分析了关联规则的一种特殊情况,即如何提取不大于下限最小支持度阈值的项目集,称这样的项目集为稀缺项目集,提出了相应的类Apriori挖掘算法:Similar-Apriori算法,并将其结合Apriori算法,应用到高校师资评测系统中,从理论和实践上证明了算法的正确性和有效性.