基于Disconnected Apriori算法的图书馆书目推荐服务

介绍一种Apriori的改进算法,该算法通过寻找大于最小支持计数的最大频繁项集,可以直接得到最终频繁项集,将改进算法应用到图书馆书目推荐服务中,并对改进算法与Apriori算法进行算法的性能分析及实验数据的运行时间对比,实验证明改进算法在运行速度和挖掘性能上较经典Apriori算法有显著提高。     

数据挖掘技术的改进在图书馆个性化服务中的应用

Apriori 算法是关联规则挖掘的一个经典算法，在分析关联规则挖掘算法的基础上，提出利用HASH表技术及减少生成候选集的数量对经典Apriori 算法进行改进,从而提高图书馆数据资源的利用率，加强图书馆个性化服务。     

基于Apriori改进算法的局部反馈查询扩展

提出面向查询扩展的Apriori改进算法，采用三种剪枝策略，极大提高挖掘效率；针对现有查询扩展存在的缺陷，提出基于Apriori改进算法的局部反馈查询扩展算法，该算法用Apriori改进算法对前列初检文档进行词间关联规则挖掘，提取含有原查询词的词间关联规则，构造规则库，从库中提取扩展词，实现查询扩展。实验结果表明该算法能够提高信息检索性能，与现有算法比较，在相同查全率水平级下其平均查准率有了明显提高。     

关联规则挖掘在医学图书馆信息服务中的应用探讨

介绍了数据挖掘中的关联规则和基于Apriori算法的关联规则数据挖掘技术,并使用关联规则挖掘对医学图书馆中的流通数据进行了实例分析.     

基于WEKA的高校图书馆流通数据的关联分析

本文利用开源软件WEKA作为数据挖掘工具,通过Apriori算法,对高校图书馆流通历史数据进行挖掘分析,得到了很多关联规则,揭示隐藏在大量数据后的重要关系信息,并为高校图书馆开展进一步服务的各项决策提供了技术支持.     

基于关系数据库的高校成绩数据关联规则挖掘

本文针对高校数据库的特点,利用SQL语句与Apriori算法结合,提出一种基于关系数据库的关联规则挖掘算法,该算法解决了Apriori算法不适合数值型数据挖掘的问题。为了验证算法的有效性．本文将之运用于成绩数据的挖掘,得出了课程之间的关系及学生可能不合格的课程,为学生选课和学生由于成绩不合格留级、退学的预警管理提供依据。     

网格环境下多媒体关联规则数据挖掘方法研究

分析多媒体数据挖掘的需求，介绍常见的多媒体数据挖掘形式及存在问题，针对此类问题探讨基于网格环境下多媒体关联规则数据挖掘方法，该方法是Apriori算法在网格环境下的具体应用。通过实例证明该方法不仅具有经典Apriori算法的准确性，还具备网格的并行挖掘特性，可大大提高数据挖掘的速度及运算效率。     

基于粗糙集的多值属性关联规则挖掘

本文应用粗糙集理论中等价关系的概念,结合知识系统细化和泛化的思想以及Apriori算法中逐层搜索迭代求取频繁项集的思想,对数据挖掘中的多值属性关联规则问题进行研究,提出一种新的多值属性关联规则挖掘算法Mqars.Mqars的主要特点是无需将多值属性转化为布尔型属性,可以尽早地约简非候选的频繁项集,方便快捷地计算出项集支持度,提高多值属性关联规则挖掘效率.论文给出了Mqars算法详细描述、具体实现过程和算法实例及分析.最后设计实验环节对Mqars算法与传统的Maqa算法在时间复杂度和算法效率方面进行比对和分析,分析与比对的实验结果表明了该算法的有效性.     

基于关联规则学生成绩预警研究——以厦门工学院为例

高校学生成绩预警是高校教务管理的重要工作之一，研究高校学生学业预警问题在理论层面和实践指导层面均具有重要的价值。采用关联规则算法中的Apriori算法来分析厦门工学院2016级至2018级学生的成绩数据，探究每个专业各课程之间的关联度。在Matlab环境下用Apriori算法对信息与计算科学专业的学生学业成绩进行挖掘分析，发现该专业下不同课程间的关联关系，尤其是对先修课程与后继课程间的关联规则的挖掘，及时对挂科的学生预警，并同时给任课教师提供指导，从而提高教育教学管理水平。     

基于事务标识列表的关联规则挖掘算法

设计并采用Java语言实现基于事务数据库标识列表的频繁项集的产生算法——TidlistApriori。通过与采用Hash-Tree的Apriori算法进行比较,表明TidlistApriori能够提高频繁项集的产生效率,可以成为主题关联挖掘的有效算法工具。     

基于关联规则的计算机等级考试答卷分析

阐述了数据挖掘的概念,介绍了Apriori算法,对计算机等级考试答卷数据进行关联规则挖掘,分析影响计算机等级考试成绩的因素,并找出课程知识点之间潜在的关联规则,指导教师对教学过程进行决策和研究,为提高教学质量奠定了基础。     

基于数据挖掘技术的招生电子档案信息系统模型构建

本文通过详细说明自上而下和基于信息包图方法设计的系统的数据仓库的过程,以及采用Apriori算法挖掘各个主题的关联规则,通过该系统为招生工作及高校发展提供支持和决策等辅助作用。     

基于Apriori算法的关联规则及其应用研究

基于Apriori算法的关联规则,在高校图书馆,对学生的借阅数据进行深度的挖掘和分析,得出相关联的书籍,从而为学生提供潜在需求的服务,打造个性化图书馆服务,为学生提供了便利的同时,也提高了图书馆资源的利用率。     

一种快速的个性化书目推荐方法*

针对高校数字图书馆现有书目推荐方法存在的不足,提出一种快速的个性化书目推荐方法。该方法利用矩阵向量技术和压缩技术对Apriori算法进行改进,以提高数据资源的挖掘效率,然后利用改进的Apriori算法从读者的借阅记录中挖掘出图书之间的关联关系,以此为读者的借阅提供个性化的书目推荐服务。仿真结果能够证明该方法的有效性。     

基于XML的Web日志挖掘研究*

设计一个基于XML的Web日志挖掘体系结构，简要介绍XGMML和LOGML，并在此基础上讨论LOGML文档的生成方法及利用Apriori算法对日志文档进行频繁集、频繁序列和频繁子图挖掘。     

关联规则挖掘在图书馆中的应用

利用数据挖掘中的关联规则技术,从大量数据中发现有价值的规则。文章用改进Apriori算法对安徽省图书馆的借阅数据进行挖掘,从中发现了一些有价值的规则,为图书馆读者服务提供指导信息。     

时间成本在高校图书馆服务中的效用

阐述了时间成本研究的理论基础以及时间成本的计量方法,通过分析图书馆服务中影响读者时间成本的因素,挖掘节省读者时间成本提高服务效率的办法。     

改进的Apriori算法在高校图书推荐服务中的应用研究

高校图书馆的借阅记录包含大量信息,研究数据库中的借阅记录可以获知学生与图书间的某种联系,通过改进的L-Apriori算法把这种潜在的联系转化成显性知识推荐给目标学生,对提升当前数字图书馆的服务质量具有重要意义。改进的L-Apriori算法对借阅记录分专业形成的子数据库关联规则进行逐一整合,最终形成全局数据库关联规则。实验结果表明改进的L-Apriori算法无论是挖掘效率还是准确度都明显优于Apriori算法。     

刑事案件的多层关联分析模型研究

为探寻当前刑事案件的发案规律与特点,以便及时预防和打击刑事犯罪,本文研究提出了刑事案件的多层关联分析模型。首先提出了刑事案件的多层关联规则挖掘的模型框架,依据所建立的刑事案件多维多层数据立方体模型,设计了层间递减支持度策略。基于经典的Apriori算法,提出了适于多层频繁谓词集搜索的改进Apriori算法,按照最小支持度与最小置信度的要求产生强关联规则。由于多层挖掘产生的规则可能存在祖孙关系,本文设计了结果分析中的减少冗余规则。最后,利用大连公安局提供的甘井子区1999～2006年的18 629条刑事案件的真实数据,验证了模型的正确性与有效性。     

面向个性化推荐的快速关联规则挖掘算法

关联规则挖掘是解决电子商务推荐问题的重要方法之一.针对传统关联规则挖掘算法在解决移动电子商务环境个性化推荐问题时反复扫描数据库,频繁项挖掘效率低,关联规则挖掘准确率低以及规则大量冗余等不足,提出一个基于事务矩阵和用户兴趣度的关联规则挖掘算法(Matrix-and-Interestingness-based Association Rules Mining,MIbARM).该算法仅需扫描一次数据库,并在挖掘过程中不断缩小算法搜索空间以避免生成冗余候选项,同时避免了冗余规则挖掘,从而提高了挖掘效率.最后,在四组人工数据和160种参数组合的数值实验环境下,引入Apriori、CBAR 及BitTableFI算法对MIbARM进行对比验证.结果表明,在不减少有趣规则的前提下,MIbARM不但可有效避免冗余候选项集的产生,而且大幅减少了冗余规则数量,极大提高了算法的搜索效率,同时提升了个性化推荐的质量,更适用于移动电子商务环境下的个性化推荐问题.