PFPCM算法及其在Matlab中的实现

PFP CM算法是一种基于投影FP growth的Co location模式挖掘算法。给出了如何利用关联规则挖掘算法快速挖掘Co location模式的方法,描述了PFP CM算法的工作原理,并给出了该算法在Matlab环境中实现的详细步骤。     

模糊关联规则的挖掘算法

关联规则的挖掘是数据挖掘中的重要内容之一,关联规则包含了一组对象之间的特定关系.目前对关联规则的研究,仅限于用确定和精确的概念表示的确定关联规则.而现实生活中,数据之间的关系通常表现为模糊关系,用确定的关联规则不能表示数据之间的这种关系.为了拓广关联规则的表示和应用范围,本文讨论了模糊关联规则的概念,并提出了一种基于集合枚举树的模糊关联规则的挖掘算法FAAR.     

一种新的关联规则挖掘算法

对关联规则的挖掘算法进行了讨论，提出了一种基于集合枚举树的关联规则挖掘算法．由于该算法产生的侯选项目集为最小侯选项目集，不需要修剪，因而提高了算法的效率。     

基于语义相关性的关联规则挖掘研究

为了解决传统关联规则挖掘中候选集数量过多,计算时间复杂度过高的问题,提出了基于语义相关性的关联规则挖掘方法.该方法采用本体概念之间的语义相关性描述领域中的复杂关系,通过语义相关度过滤掉领域中相关性较小的候选集,以减少关联规则挖掘中候选集的数量.计算语义相关性时,将本体层次关系看作有向无环图而不是层次树,不仅考虑直接层次关系,还考虑非直接层次关系和其他典型语义关系.实验结果表明,该方法能有效减少候选集数量,提高关联规则挖掘的效率.     

一种基于事务一项矩阵改进的FP—Growth算法

FP—Growth算法是关联规则挖掘的一个经典算法。本文提出一种基于事务一项矩阵的挖掘算法MFP—Growth算法,利用向量矩阵表示事务数据库,整个挖掘过程只扫描一遍数据库,通过构造各个频繁项的条件矩阵,利用条件矩阵的向量运算来进行频繁模式的挖掘,减少了算法占用的内存空间,提高了挖掘效率．实验结果表明,MFP—Growth算法是有效可行的．     

数量型关联规则挖掘问题的研究分析

关联规则挖掘是数据挖掘的一个重要研究课题,而数量型关联规则与传统的布尔型关联规则挖掘有不同。介绍了数量型关联规则挖掘的基本概念;分析了几种具有代表性的数量型关联规则挖掘算法;对数量型关联规则挖掘进行了展望。     

关联规则在高校贫困生认定中的应用

贫困生的认定是各高校繁重的一项工作,利用关联规则挖掘中的FP—growth算法,运用SQI—Server 2005中Analysis Services工具对影响贫困生认定的数据因素进行挖掘,发现了学习成绩、贷款、消费水平以及家庭情况等之间的关系。为贫困生认定提供了理论支持和科学依据,提高了工作效率,对实际工作有一定的指导意义。     

对FP-growth算法的一种改进算法

FP-growth算法是关联规则挖掘算法中的经典算法,用于挖掘频繁项目集。但它的时间和空间效率还不足够高。提出了一种新的频繁模式树构造方法,性能得以提高。     

基于项目约束的关联规则挖掘方法的研究

关联规则挖掘的核心问题是算法的效率和伸缩性,这就产生了基于约束的关联规则挖掘方法。关联规则挖掘中除了支持度和信任度外的约束外,最基本的是项目约束。本文总结和归纳了含有项目约束的关联规则挖掘的分类,并在算法Apriori的基础上,介绍了基于项目约束的关联规则的挖掘算法D irect。     

基于树与链表的关联规则增量更新的实现

针对两次挖掘的增量更新算法具体实现时所采用的数据结构作了重点讨论分析,提出了一种高效存储处理频繁项目集集合的数据结构--树与链表,并介绍了在树与链表上的操作.最后在模拟数据的基础上,验证了树与链表数据结构对算法的效率影响,实验结果表明树与链表适用于两次挖掘关联规则增量更新时数据存储.     

一种云计算环境下的改进FP-GROWTH算法

关联规则算法作为数据挖掘领域的一类重要算法在很多领域都具有较高的实用价值,然而传统的关联挖掘算法难以满足海量数据处理需求。采用相关支持度二维表对经典FP Growth算法进行改进,借助MapReduce编程模型完成算法的并行化改进。实验证明,改进算法相较于经典算法在单机和并行化环境下都具有更低的时间复杂度。     

关联规则挖掘综述

介绍了当前关联规则挖掘的研究情况,分析了传统关联规则挖掘算法的不足．与此同时,介绍了几种优化算法．最后,展望了关联规则挖掘的未来研究方向．     

关联规则挖掘概述

主要介绍了关联规则挖掘的研究情况,对一些典型算法进行了分析和评价,指出传统关联规则衡量标准的不足,并归纳出关联规则的价值衡量方法,最后,展望了关联规则挖掘的未来研究方向。     

分布式环境下关联规则挖掘技术实例分析

分布式数据库系统中存储了海量数据,在这些数据的背后,蕴涵着大量有价值的知识。这些知识的挖掘已成为继数据库本身研究之后十分重要的方向之一．该文根据分布式数据库的特点,提出了一种在其上的关联规则挖掘系统．该系统利用矩阵工具挖掘局部关联规则,并采用了不确定性推理方法来融合各局部关联规则．从而提高了局部关联规则挖掘效率和和全局关联规则的准确率．     

关联规则数据挖掘技术探讨

从关联规则挖掘基本概念出发,阐述了关联规则的挖掘步骤和应注意的问题,分析、比较、总结了关联规则的主要研究方向和典型算法。     

数据挖掘中的关联规则方法

介绍了关联规则的基本概念,总结了关联规则的分类及各种挖掘算法,并对一些典型算法进行了介绍,最后,展望了关联规则挖掘的下一步研究方向。     

分布式环境下关联规则挖掘技术实例分析

分布式数据库系统中存储了海量数据,在这些数据的背后,蕴涵着大量有价值的知识,这些知识的挖掘已成为继数据库本身研究之后十分重要的方向之一.该文根据分布式数据库的特点,提出了一种在其上的关联规则挖掘系统.该系统利用矩阵工具挖掘局部关联规则,并采用了不确定性推理方法来融合各局部关联规则,从而提高了局部关联规则挖掘效率和和全局关联规则的准确率.     

数据挖掘中的关联规则方法

介绍了关联规则的基本概念,总结了关联规则的分类及各种挖掘算法,并对一些典型算法进行了介绍,最后展望了关联规则挖掘的下一步研究方向。     

基于时间聚类的加权关联规则及其在企业中的应用

针对煤炭企业采用的基于关联规则的数据挖掘技术存在的不足,文章提出了一种基于时间聚类的加权关联规则挖掘算法,分析了关联规则的基本概念,简要介绍了传统Apriori算法原理,详细介绍了基于时间聚类的加权关联规则挖掘算法原理及实现．实际应用范例表明,与Apriori算法相比,基于时间聚类的加权关联规则挖掘算法具有较高的准确性．     

基于T—tree的最大频繁项目集挖掘算法

发现最大频繁项目集在关联规则挖掘中有着重要意义。通过已发现的最大频繁项目集,可容易地发现频繁项目集。提出了一种基于事务树（T-tree）的最大频繁项目集挖掘算法MFIA（Maximum Frequent Itemsets Algorithm）,其挖掘过程中只需对数据库扫描一次,从而提高了最大频繁项目集的挖掘效率。