关联规则挖掘算法的研究及应用

论文摘要

数据挖掘的出现是快速增长的数据量和日益贫乏的信息量之间矛盾运动的必然结果。经过十几年的努力，产生了许多数据挖掘新的概念和方法，并朝着更深入的方向发展，关联规则是数据挖掘方法中最重要的一种，Apriori算法是关联规则最经典的一种算法，但Apriori算法存在多次扫描数据库，生成大量候选项集等缺点。本文全面深入分析和研究了数据挖掘技术，尤其是关联规则数据挖掘技术。在关联规则基本概念的基础上，详细分析了关联规则的Apriori算法，系统分析和总结了关联规则数据挖掘中的一些提高算法效率的改进方法，在此基础上提出了新的解决相应问题的关联规则挖掘算法。首先，针对算法的缺点和不足，改进了关联规则的衡量方法，提出了新的兴趣度函数。使用新的兴趣度函数生成的规则不仅具有较高的相关性，而且减少了冗余规则的生成。其次，在分析经典Apriori算法的基础上，提出了基于二维Hash算法和矩阵的Apriori挖掘算法。该算法应用了Hash和矩阵的思想，只需对数据库扫描一次，即可得到频繁项集，大大提高了算法的效率。最后将关联规则挖掘算法应用到教学评价中，对教学评价数据进行挖掘，找到教师的自身情况对教学效果的影响，帮助教学管理部门更好地开展教学工作，提高教学质量。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究现状
• 1.3 本文工作
• 第二章 数据挖掘技术
• 2.1 数据挖掘的基本概念
• 2.1.1 数据挖掘与传统的数据库查询系统关系
• 2.1.2 数据挖掘（DM）与联机分析处理（OLAP）的关系
• 2.1.3 数据挖掘同知识发现的关系
• 2.1.4 数据挖掘同统计学、机器学习的关系
• 2.2 数据挖掘的过程
• 2.3 数据挖掘的功能、方法
• 2.3.1 数据挖掘的功能
• 2.3.2 数据挖掘的方法
• 2.4 数据挖掘的应用
• 2.5 关联规则基本概念
• 2.6 经典算法Apriori
• 2.6.1 Apriori算法介绍
• 2.6.2 算法描述
• 2.6.3 实例介绍
• 2.6.4 算法性能缺陷
• 2.7 关联规则的发展方向
• 2.8 本章小结
• 第三章 改进的衡量规则兴趣度的方法
• 3.1 问题提出
• 3.2 关联规则衡量方法
• 3.3 兴趣度函数的改进
• 3.4 兴趣度的实际意义
• 3.5 本章小结
• 第四章 基于hash和矩阵的改进算法
• 4.1 Apriori的几种优化算法
• 4.2 基于hash算法的改进
• 4.3 基于矩阵的改进
• 4.4 算法实现步骤
• 4.5 改进算法实例
• 4.6 改进算法分析
• 4.6.1 算法性能分析
• 4.6.2 算法仿真
• 4.7 本章小结
• 第五章 改进算法在教学质量评价中的应用
• 5.1 问题提出
• 5.2 数据挖掘实施流程
• 5.3 数据准备
• 5.3.1 确定挖掘对象及目的
• 5.3.2 数据的采集
• 5.3.3 数据转换
• 5.4 关联规则挖掘
• 5.5 结果分析
• 5.6 本章小结
• 第六章 结束语
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 在读期间的研究成果