概念格上無冗余關聯(lián)規(guī)則的提取.pdf

1、在信息社會，數據庫中充斥著大量的數據。為了在數據海洋中獲取有用的信息，數據庫中的知識發(fā)現(xiàn)技術(KDD)作為一門最熱的研究領域出現(xiàn)了。關聯(lián)規(guī)則挖掘是數據挖掘的一個重要分支，是描述數據庫中數據項(屬性、對象)間存在的潛在關系。 關聯(lián)規(guī)則挖掘的主要任務是發(fā)現(xiàn)頻繁項集，目前發(fā)現(xiàn)頻繁項集的算法可分為3種：1、層次算法。Apriori算法就是最典型的算法，然而這種算法的執(zhí)行效率不盡人意。2、通過生成最大頻繁項集從而發(fā)現(xiàn)頻繁項集的算法。例如P

2、rincer-Search算法等，然而由于其理論缺陷導致生成的關聯(lián)規(guī)則丟失了部分有用的信息。3、基于形式概念分析(FCA)和概念格的關聯(lián)規(guī)則提取算法。這種算法在執(zhí)行效率上要優(yōu)于Apriori算法，并且能同時生成完整的關聯(lián)規(guī)則集。 而目前所使用的關聯(lián)規(guī)則挖掘算法只是簡單地根據最小支持度和置信度將關聯(lián)規(guī)則提取出來，這樣常常會產生大量的規(guī)則，使得用戶分析和利用這些規(guī)則變得十分困難，尤其是數據庫中屬性高度相關時，問題更為突出。因此，必須

3、對挖掘的關聯(lián)規(guī)則進行處理，以便更好地理解所挖掘的規(guī)則。而概念格作為數據挖掘的一種重要的手段，如果能夠直接從概念格上提取出簡潔的關聯(lián)規(guī)則，則可使用戶從挖掘出的海量的關聯(lián)規(guī)則中解脫出來，以便于用戶發(fā)現(xiàn)更有用的信息，同時也提高規(guī)則發(fā)現(xiàn)的速度，這對于數據挖掘有著重要的意義。 本文在已有的各種從概念格上提取關聯(lián)規(guī)則的算法的基礎上，重點對關聯(lián)規(guī)則的冗余刪除進行了研究。通過分析概念格的數學性質以及冗余關聯(lián)規(guī)則的性質，發(fā)現(xiàn)通過概念格上了概念和其

4、父概念的內涵關系以及概念內涵的最小集合性質，從而得到規(guī)則的最小前件和最大后件。利用這樣的規(guī)則可推導出同樣滿足最小支持度和最小可信度的其他規(guī)則，從而生成完整的關聯(lián)規(guī)則集。 本文的主要貢獻如下： 1、通過對關聯(lián)規(guī)則中冗余規(guī)則的形式和性質的研究，應用形式概念分析理論得到了消除冗余規(guī)則的方法；提出了無冗余精確關聯(lián)規(guī)則基和無冗余近似關聯(lián)規(guī)則基兩個概念，并設計了建立這兩個規(guī)則基的運算算法。 2、設計了在概念格上提取無冗余關聯(lián)