關(guān)聯(lián)規(guī)則及相關(guān)數(shù)據(jù)挖掘技術(shù)研究.pdf

1、數(shù)據(jù)挖掘是從海量數(shù)據(jù)庫中發(fā)現(xiàn)人們感興趣的、隱藏的、前所未知的知識。它涉及數(shù)據(jù)庫、人工智能、機器學習、模式識別、知識工程、面向?qū)ο?、信息檢索和可視化等一系列技術(shù)。經(jīng)過十多年的發(fā)展，它已成為關(guān)系數(shù)據(jù)庫中最有前景的研究和應(yīng)用領(lǐng)域之一。關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘的重要模式之一，它的研究有著極其重要的理論與實際意義。 Apriori算法是挖掘布爾關(guān)聯(lián)規(guī)則的經(jīng)典算法，而該算法在空間和時間復雜度上有著難以克服的局限性，存在多次掃描數(shù)據(jù)庫和產(chǎn)生大量候選

2、集的性能瓶頸。本文提出了一種基于鏈表變換的算法，詳細地描述了鏈表的構(gòu)造、插入和變換操作及由這些操作產(chǎn)生頻繁集的整個過程。該算法只需掃描兩次數(shù)據(jù)庫就可發(fā)現(xiàn)所有頻繁集，且不需產(chǎn)生大量的候選集，另外因完成鏈表變換的基本操作已有高級語言函數(shù)庫的良好支持，故算法具有很高的效率。實驗表明，所提新算法在一定數(shù)據(jù)集范圍內(nèi)相對于Apriori算法具有優(yōu)越性。 由頻繁集生成用戶感興趣的且具有價值的規(guī)則，是關(guān)聯(lián)規(guī)則算法研究的重要內(nèi)容。基于支持度和置信

3、度的框架模型有可能生成支持度和置信度都很高，但卻是用戶不感興趣的規(guī)則。本文在分析經(jīng)典興趣度模型的基礎(chǔ)上，提出了一種新的興趣度模型來消除虛假規(guī)則的誤導。實驗表明新的興趣度模型與經(jīng)典興趣度模型具有一致的結(jié)果，但相對于經(jīng)典興趣度模型具有更好的粒度，更有利于挖掘否定項的關(guān)聯(lián)規(guī)則。 本文研究了關(guān)聯(lián)規(guī)則生成過程中可能出現(xiàn)的規(guī)則組合指數(shù)爆炸的問題，通過在支持度和置信度框架中引入興趣度改進函數(shù)來使問題得以解決。本文最后根據(jù)簡單匹配的思想，定義了