基于概念格的關(guān)聯(lián)規(guī)則挖掘及變化模式研究.pdf

1、隨著信息技術(shù)和計算機技術(shù)的發(fā)展，數(shù)據(jù)的產(chǎn)生和收集方式越來越多，處理數(shù)據(jù)的能力越來越強，然而“數(shù)據(jù)豐富而知識缺乏”卻成為信息管理面對的一個窘境。數(shù)據(jù)挖掘能夠從海量數(shù)據(jù)中提取有用的信息，對海量的數(shù)據(jù)進行有效地管理和利用。
　　 作為數(shù)據(jù)挖掘的重要應(yīng)用之一，關(guān)聯(lián)規(guī)則挖掘旨在從大量的、復(fù)雜的各類數(shù)據(jù)入手，將有意義的數(shù)據(jù)關(guān)聯(lián)和頻繁模式以一種簡單、直接的方式表達出來，協(xié)助用戶明確了解屬性之間聯(lián)系的緊密程度。實際數(shù)據(jù)庫中屬性值之間的層次差異較

2、大，形式概念分析中的概念格可以反映出數(shù)據(jù)屬性之間的多層、多元聯(lián)系，符合現(xiàn)實情況，成為提取關(guān)聯(lián)規(guī)則的有效方法。從大規(guī)模的形式背景中高效地構(gòu)造概念格并應(yīng)用到實踐中是目前研究的熱點問題。
　　 本文沿著建立概念、查找關(guān)聯(lián)、分析變化這條主線，綜合地進行了基于概念格的關(guān)聯(lián)規(guī)則提取和變化研究，包含了對形式背景的概念層次的構(gòu)造、到概念格上的關(guān)聯(lián)規(guī)則提取、再到對提取出來的關(guān)聯(lián)規(guī)則的變化模式研究這三個步驟，并對每個步驟進行了詳細的設(shè)計和深入的研究

3、。
　　 本文通過對概念格的主要構(gòu)造方法進行綜述，發(fā)現(xiàn)以往的分布式構(gòu)造方法在對形式背景進行拆分的過程中并沒有考慮到形式背景的數(shù)據(jù)分布特點。為了提高概念格的構(gòu)造效率，給出了基于屬性排序的形式背景的橫向和縱向兩種拆分策略，分析了拆分策略的適用范圍，并提出了基于稀疏度對子形式背景構(gòu)造概念格的方法。針對子概念格合并過程出現(xiàn)的五種情況，提出了相應(yīng)的處理策略。最后設(shè)計了基于稀疏度的分布式構(gòu)造概念格的算法，并通過實例和對比試驗證明了該算法的正

4、確性和有效性。
　　 在對概念格進行關(guān)聯(lián)規(guī)則提取時，傳統(tǒng)方法都是由人工設(shè)置固定的最小支持度min_sup，然而對于數(shù)據(jù)項集分布差異比較大的情況下，使用單一的min_sup產(chǎn)生的規(guī)則并不一定獲得可信而適當?shù)年P(guān)聯(lián)規(guī)則。如何恰當?shù)卦O(shè)置min_sup是我們面對的另一個問題。本文提出了自適應(yīng)支持度的設(shè)置和修正，與傳統(tǒng)人工設(shè)置方面相比，提高了關(guān)聯(lián)規(guī)則的準確性。本文總結(jié)了從概念格中提取無冗余關(guān)聯(lián)規(guī)則的三種規(guī)則，并給出了NARMC算法，實例說明

5、該算法比Apriori算法更為有效和準確。
　　 本文解決的第三個問題是變化數(shù)據(jù)的挖掘問題。在從概念格中提取出關(guān)聯(lián)規(guī)則之后，還需要對不同時期出現(xiàn)的關(guān)聯(lián)規(guī)則進行分析，發(fā)現(xiàn)變化的趨勢。本文以某醫(yī)療單位對老年居民健康查體的兩期數(shù)據(jù)為研究對象，通過對變化挖掘的理論研究，根據(jù)識別變化模式的三個參數(shù)：相似度、意外度和規(guī)則匹配閾值來匹配關(guān)聯(lián)規(guī)則的變化模式。用相似度來判斷新興模式、增加模式和消退模式，用意外度來判斷條件意外模式和結(jié)果意外模式。本