引入约束因子的类BAR关联规则挖掘算法研究

论文摘要

关联规则挖掘首要解决的是效率与伸缩性问题。由于数据挖掘任务所面对的数据集通常是由数以百万计的记录所构成的大型数据库或数据仓库,因此如何提高从大型数据库中挖掘关联规则的效率,以便有效的降低计算的复杂性、提高算法的运行速度,便成为关联规则挖掘研究中的核心问题。 同时,在关联规则挖掘中存在的一个问题是,那些支持度高的规则往往不是有趣的规则,因为这些冗余规则中相当一部分都可以利用用户所掌握的领域知识筛选出来:并且,用户对规则的要求也日益精确。这就要求对要挖掘的规则引入新的约束,本文引入的就是最小兴趣度和确信因子相结合的约束。最小兴趣度体现了用户的参与性,而确信因子是处理在B（?）A和A（?）B同时满足大于最小支持度,最小置信度的时候,如何来取舍规则的问题。 基于位图和颗粒计算的关联规则的挖掘算法（Bit-AssoRule简称BAR）比一般的apriori,apriori-id,apriod-Hybrid在运行时间上提高了一个数量级。本文介绍了基于位图的BAR关联规则的挖掘算法,提出了一种基于BAR算法的类BAR算法,讨论了如何将上述约束引入类BAR算法关联规则的挖掘过程中,并给出了BAR+算法,并将该算法和未改进的BAR算法进行比较,从理论说明引入约束因子后的BAR+算法,可以提高算法的效率。

论文目录

• 第1章 引言
• 第2章 数据挖掘综述
• 2.1. 数据挖掘概述
• 2.1.1. 数据挖掘的背景与定义
• 2.1.2. 数据挖掘的发展历史与现状
• 2.1.3. 数据挖掘语言
• 2.1.4. 数据挖掘系统结构
• 2.1.5. 数据挖掘过程
• 2.2. 数据挖掘模式和算法研究
• 2.2.1. 数据挖掘模式
• 2.2.2. 数据挖掘算法的评价
• 2.2.3. 数据挖掘的应用与发展趋势
• 第3章 关联规则的描述及相关工作
• 3.1. 关联规则挖掘
• 3.1.1.关联规则挖掘研究的现状
• 第4章 引入约束因子的BAR关联规则挖掘算法
• 4.1. 约束的一般性分类
• 4.2. BAR关联规则挖掘算法
• 4.2.1. 位图技术和颗粒计算
• 4.2.2. BAR算法
• 4.3. 引入约束因子的类BAR算法：BAR+算法
• 4.3.1. 规则产生中的约束因子
• 4.3.2. BAR+算法描述
• 4.3.3. 引入约束因子的类BAR算法描述（BAR+）
• 4.4. 算法实现和比较
• 4.4.1. 算法的实现
• 4.4.2. 算法实验结果比较
• 4.4.3. 算法比较后的一些新的想法
• 第5章 总结与展望
• 致谢
• 参考文献