一种改进的Apriori算法

关联规则挖掘是数据挖掘研究领域中的一个重要任务,旨在挖掘事务数据库中有趣的关联。Apriori算法是关联规则挖掘中的经典算法。然而Apriori算法存在着产生候选项目集效率低和频繁扫描数据等缺点。提出了一种新的Apriori的改进算法,该算法在生成k(k>1)项频繁集时,不需要重新扫描数据库,只是在生成1项频集时,才需要扫描事务数据库,有效地减少了对事务数据库的读操作,在时间复杂度上较经典的Apriori算法有更加优越的性能。     

数据挖掘中一种改进的Apriori算法

关联规则挖掘是数据挖掘领域中的一个非常重要的研究内容,其主要目标就是发现数据库中一组对象之间某种关联。频繁项集挖掘是关联规则挖掘的关键步骤,它在很大程度上决定了关联规则挖掘的效率。介绍了Apriori算法及其算法改进。该改进算法对剪枝步进行了优化,提高了连接效率,并且不断减小数据库的规模,去掉无效事务,减少了每次扫描数据库所花费的时间,提高了算法效率。经过试验论证,性能比原有算法提高,具有一定的实用性。     

个性化服务平台中改进的频繁遍历路径算法

快速发展的个性化服务技术给网络的发展提供了更广阔的未来,利用数据挖掘进行个性化推荐的方法已到应用实施的阶段.然而在实施中有诸多具体问题没有解决,如个性化推荐的准确性及网页挖掘的效率偏低等,这导致实际应用成果并不多见.本文提出了一种改进的频繁遍历路径算法,用于提升推荐的可用性.     

基于Apriori的改进算法

关联规则的提取是数据挖掘中的重要研究内容,对关联规则提取中的Apriori算法进行了分析与研究,针对该算法的运算效率不高,对该算法进行了改进,提出了Apriori改进算法.Apriori改进算法采用二进制数据垂直表示方法,只用扫描事务数据库一次得到一阶大项集的二进制数据垂直表示.K阶候选项集的操作只要基于这个一阶大项集,而不需重复扫描数据库,从而提高了挖掘算法的效率.     

改进的Apriori算法在股票分析中的应用研究

针对经典Apriori算法效率上的不足,提出了一种改进的Apriori算法.通过改进的Apriori挖掘算法对股票交易数据库中的数据进行分析,找出各种股票之间的隐藏关系,挖掘出一些可靠的、合理的股票关联规则,为投资者对股票是买入还是卖出提供决策支持.实验表明,改进的算法能够快速地发现股票之间的涨跌关系,具有良好的应用效果.     

个性化服务平台中改进的频繁遍历路径算法

快速发展的个性化服务技术给网络的发展提供了更广阔的未来,利用数据挖掘进行个性化推荐的方法已到应用实施的阶段。然而在实施中有诸多具体问题没有解决,如个性化推荐的准确性及网页挖掘的效率偏低等,这导致实际应用成果并不多见。本文提出了一种改进的频繁遍历路径算法,用于提升推荐的可用性。     

关联规则挖掘中的Apriori算法浅析

关联规则研究目的是从大型数据集中发现隐藏的、属性间存在的有趣的关联或相关关系。当挖掘的数据不断更新时,如何高效即时的获得所需的结果,设计高效的算法来更新、维护和管理已挖掘出来的关联规则。该文提出了一种高效的增量更新算法,算法通过实例进行分析比较,证明了该算法有效的提高了挖掘的效率。     

基于数据集削减法的Apriori算法研究

从Apriori算法可以看出，每次对数据库的扫描时，有些事务已经对频繁项目集的生成不产生作用。减少数据库内与进一步挖掘任务不相关的事务对于算法来说很有必要。本文不同于传统的事务压缩方法，设计了新的基于数据集削减法的Apriori算法。     

Apriori改进算法在图书借阅数据中的应用

对关联规则中Apriori算法进行深入研究,基于修剪频繁集策略、连接优化策略及库结构优化策略等方法,提出Apri-ori改进算法。此方法能大量减少所需I/O次数和内存开销,提高运行的效率。将此算法运用到图书借阅数据中,挖掘图书之间的关联性,为领导决策和读者个性化服务提供参考依据。     

用Visual FoxPro实现Apriori算法

文章认为,数据挖掘就是从大量数据中提取出潜在的、有价值的知识的过程.关联规则挖掘是数据挖掘领域的一个重要研究方向.基于Apriori算法,用Visual Foxpro实现求1-3频繁项目集的方法,该方法扩展后具有一定的实用价值.     

CRM中用Apriori算法评估客户兴趣度

Apriori算法作为一种典型的关联规则算法,将其应用在CRM中,对于促进CRM进一步向智能化发展,提升CRM价值起到非常重要的作用。文章首先介绍Apriori算法的基本原则、方法,然后介绍兴趣关联规则的概念与实现方法,最后对用Apriori算法评估客户兴趣度进行了探讨。     

Apriori算法在中医脾胃病方剂方面的研究

本文针对数据挖掘在中医方剂学方面的研究,以脾胃病方剂为例探讨Aprior算法的应用。     

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Apfiori算法的思想对性能进行了研究，给出了该算法的基本算法和扩展算法。     

基于矩阵方法优化Apriori算法

通过分析、研究该算法的基本思想,提出了算法的一些改进,并利用矩阵方法和数据库建立联系,更直观、更有效地提高关联规则的效率.     

基于Apriori算法的关联规则在企业人事管理系统中的应用

针对企业人事管理系统的现状和存在的主要问题,提出了在企业人事管理系统中运用数据挖掘的必要性,并且应用关联规则的经典算法挖掘和分析了人事考评系统的关联规则和潜在信息,为企业人事决策人员提供决策信息和数据支持.     

Apriori算法在物联网(IOT)数据挖掘中的应用

为了提高物联网海量数据的分析处理能力,采用Apriori算法对物联网数据进行规则关联处理。首先对物联网数据进行样本划分,并采用矩阵的方式存储,接着对数据样本进行标准化处理,并得到模糊相似矩阵,最后采用Apriori算法根据频繁项集进行规则关联。本文采用基于物联网的数字图书馆作为仿真对象,对用户行为数据进行数据挖掘,实验证明,该方法完成的物联网数据规则关联,置信度高,具有一定的应用价值。     

数据挖掘中关联规则算法的研究

Apriori算法是关联规则挖掘中的经典算法。通过对Apriori算法的基本思想和性能的研究分析,提出了一种基于垂直事务列表的树形结构的挖掘算法,减少了候选频繁项集的数量,提高了挖掘算法的效率。实验结果表明新算法具有良好的性能。     

关联规则挖掘Apriori算法效率提高方法研究

Apriori算法是关联规则挖掘中的经典算法。在Apriori算法中,使用频繁项集的先验知识,逐层搜索的迭代方法,通过扫描数据库,累积每个项的计数,并收集满足最小支持度的项,找每个Lk都需要扫描一次数据库。算法的效率随着数据量的增大,频繁项集的增多,算法的效率就非常的低,本文通过对Apriori算法分析,应用散列、事务压缩、划分、抽样等方法,最大可能的减少数据库扫描的次数,快速发现频繁项集,提高Apriori算法的效率。     

关联规则中算法的研究

关联规则在数据挖掘中扮演着十分重要的角色,而Apriori算法和FP-growth算法是当前关联规则中两大主要算法。其中Apriori算法的主要开支是产生大量候选项集和重复遍历数据库,FP-growth算法的主要开支是重复创建和遍历条件FP树。在介绍两种算法基础上,提出了一种新的算法,使Apriori算法产生的候选项集不是查找数据库而是查找FP-tree来确定是否为频繁项集。实际测试表明,在一定的条件下,新算法的效率高于原先的两种算法。