基于概念格的關聯(lián)規(guī)則挖掘在分層次教學中的應用研究.pdf

1、數據庫知識發(fā)現是當前人工智能研究中較為重要的一個領域，關聯(lián)規(guī)則挖掘是數據挖掘中應用最廣的。傳統(tǒng)的Apriori算法能產生所有的關聯(lián)規(guī)則，但數量龐大，冗余度高。Wille等在1982年提出的概念格是進行數據挖掘和規(guī)則提取的一種有效工具。
　　在傳統(tǒng)概念格上，本文設計了一個提取關聯(lián)規(guī)則的算法。該算法并不是提取所有的規(guī)則，而是提取規(guī)則集中的一個子集，稱為組規(guī)則產生集。與所有規(guī)則的集合相比，它的規(guī)模大大減少了，相應的挖掘效率提高了，但是從

2、中仍可推出所有滿足要求的規(guī)則。與傳統(tǒng)的概念格上提取規(guī)則算法相比，該算法最終不生成每個規(guī)則的支持度、信任度，僅生成滿足最小支持度、信任度的所有規(guī)則，但規(guī)則產生集的規(guī)模更小了，對于大型數據庫中的低信任度挖掘情況(規(guī)則數量多)可產生較少的規(guī)則產生集。這樣，提供給用戶的是較少的而且是容易理解的規(guī)則的集合，用戶可以根據自己的興趣有選擇地從產生集中推導出他需要的規(guī)則。存儲規(guī)則所用的存儲空間小，同時可提高推導規(guī)則時查找規(guī)則的速度。在產生組規(guī)則產生集的