基于概念格扩展模型的关联规则挖掘

论文摘要

数据库中的知识发现(Knowledge Discovery in Databases,简称KDD)是数据库和人工智能领域研究的热点课题,其中关联规则挖掘是重要的分支。经典的和其它挖掘算法在时空性能方面和结果展现方面还存在一些不足。 概念格是通过概念的内涵和外延及泛化和例化之间的关系来表示知识,因而适用于从数据库中挖掘规则问题的描述。在概念格的内涵中引入等价关系而得到的概念格扩展模型,能更清晰的表示概念内涵之间的关系,更有利于知识提取。 本文探讨了基于概念格扩展模型的关联规则提取,主要工作如下: (1)概念格模型的扩展与实现:通过引入量化和相对约减两种方法,使从格中提取规则更方便:概念外延的量化表示压缩了外延的空间,内涵的相对约简压缩了内涵的空间存储规模,因而提高了空间性能,并给出了相应概念格的构造算法。 (2)基于概念格扩展模型的关联规则挖掘研究与实现:提出了基于概念格扩展模型的关联规则挖掘算法,并通过实验对算法的正确性及时间和空间性能进行了验证。

论文目录

• 绪言
• 1 本文的主要工作
• 2 本文的内容与组织
• 第一章 数据库知识发现
• 1.1 KDD
• 1.1.1 KDD的概述
• 1.1.1.1 KDD的产生背景
• 1.1.1.2 KDD定义及其特点
• 1.1.1.3 KDD任务
• 1.1.2 KDD的处理过程模型
• 1.1.3 KDD的发展现状
• 1.1.4 KDD的挑战
• 1.2 数据挖掘
• 1.2.1 数据挖掘与KDD
• 1.2.2 数据挖掘
• 1.3 本章小结
• 第二章 关联规则及其发现
• 2.1 关联规则的定义
• 2.2 关联规则提取方法的研究方向
• 2.2.1 提取方法的研究方向
• 2.2.2 关联规则的兴趣度
• 2.3 发展前景
• 2.3.1 有待进一步研究的问题
• 2.3.2 提取关联规则的应用与前景
• 2.4 本章小结
• 第三章 概念格模型
• 3.1 概念格的定义和基本术语
• 3.2 概念格的构造算法及举例
• 3.2.1 批处理构造算法
• 3.2.2 渐进式构造算法
• 3.2.3 算法举例
• 3.3 本章小结
• 第四章 概念格的扩展模型
• 4.1 概念格的扩展
• 4.2 概念格扩展模型的构造
• 4.2.1 插入算法
• 4.2.2 渐进式构造算法
• 4.3 概念格和粗糙集合的关系
• 4.4 概念格扩展模型的规则提取
• 4.4.1 概念格扩展模型的规则提取
• 4.4.2 规则提取举例
• 4.5 本章小结
• 第五章 概念格扩展模型关联规则挖掘
• 5.1 概念格扩展模型的关联规则挖掘
• 5.2 除去冗余关联规则
• 5.3 相对约简格的关联规则挖掘
• 5.3.1 相对约简格
• 5.3.2 相对约简格的构造
• 5.3.3 相对约简格的关联规则提取
• 5.4 量化概念格扩展模型的关联规则挖掘
• 5.4.1 量化概念格的概念及性质
• 5.4.2 量化格结构及其性质
• 5.5 量化相对约简格的关联规则挖掘
• 5.5.1 量化相对约简格
• 5.5.2 量化相对约简格的构造
• 5.5.3 量化相对约简格的关联规则提取
• 5.6 本章小结
• 第六章 实验
• 6.1 实验比较
• 6.1.1 Apriori算法与量化相对约简格的算法的时间性能比较
• 6.1.2 Golois格与量化相对约简格的算法的时间性能比较
• 6.1.3 Golois格与量化相对约简格的算法的空间性能比较
• 6.2 本章小结
• 第七章 结束语
• 参考文献
• 研究生期间发表论文及参加的课题