基于多支持度的正负关联规则挖掘技术的研究

论文摘要

关联规则的研究是数据挖掘的重要内容之一,现有的关联规则挖掘算法大都是在频繁项集的基础上进行挖掘,关于非频繁项集的研究较少,然而在研究负关联规则后,非频繁项集因包含重要的负关联规则而变得非常重要。同时,现有的关联规则挖掘算法大多是在单一最小支持度的限定条件下进行的,而事实上由于不同数据属性的发生频率不同,仅依靠单一的最小支持度限定就可能无法正确反映挖掘对象本身的特征。为了弥补单一最小支持度的不足,进而出现了多最小支持度算法。本文在多最小支持度算法的基础上,对多支持度算法进行了改进和完善,提出了3种新的算法:MMS-inFS算法、2LMS-inFS-FS算法和MLMS算法。MMS-inFS算法是在多支持度算法的基础上增加了一种对非频繁项集的约束机制,使其能够同时挖掘频繁项集和非频繁项集。2LMS-inFS-FS算法是基于两级多支持度的挖掘算法,是将MMS-inFS算法中的对非频繁项集的约束由单一的支持度更改为多支持度,即对每个项集设定了两级支持度,一级支持度用于约束频繁项集,另一级用于约束非频繁项集,这样能够更好的限定频繁项集和非频繁项集。MLMS算法是一种基于多层最小支持度的算法,即对不同长度的项集采用不同的最小支持度。对于新提出的算法模型,我们与其它几种模型进行了比较,并且通过实验表明这些算法是非常有效的。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 引言
• 1.2 数据挖掘概述
• 1.2.1 基本概念及相关技术
• 1.2.2 数据挖掘的研究现状及发展趋势
• 1.3 本文的工作及创新点
• 1.3.1 本文的工作与内容组织
• 1.3.2 本文的创新点
• 第2章 正负关联规则概述
• 2.1 关联规则概述
• 2.1.1 基本概念
• 2.1.2 关联规则主要挖掘算法
• 2.1.3 对Apriori 算法的分析研究
• 2.2 负关联规则概述
• 2.2.1 研究负关联规则的意义
• 2.2.2 负关联规则中支持度与置信度的计算
• 2.2.3 国内外研究现状及不足
• 2.3 新算法的提出以及解决的关键
• 第3章 基于多支持度的关联规则挖掘
• 3.1 多支持度理论的提出
• 3.2 基于多支持度的研究方法和内容
• 3.3 多最小支持度算法的设计与实现
• 3.4 多最小支持度关联规则挖掘方法的不足和改进
• 第4章 一种新的非频繁项集挖掘方法的研究
• 4.1 非频繁项集的重要性
• 4.2 MMS-inFS 算法设计
• 4.2.1 MMS-inFS 模型中频繁项集与非频繁项集的定义
• 4.2.2 MMS-inFS 模型的算法设计
• 4.2.3 实例说明
• 4.3 与其它模型的比较
• 4.3.1 与PR 模型的比较
• 4.3.2 与2LS 模型的比较
• 第5章 基于两级多支持度的关联规则挖掘算法
• 5.1 2LMS-inFS-FS 模型及算法设计
• 5.2 与2LS 模型的比较
• 5.3 2LMS-inFS-FS 模型实验
• 第6章 基于多层支持度的关联规则挖掘算法
• 6.1 MLMS 模型及算法设计
• 6.1.1 MLMS 模型中频繁项集与非频繁项集的定义
• 6.1.2 MLMS 模型算法设计
• 6.1.3 试验
• 6.2 与其它模型的比较
• 6.2.1 与PR 模型的比较
• 6.2.2 与2LS 模型的比较
• 第7章 总结与展望
• 7.1 总结
• 7.2 进一步的研究工作
• 参考文献
• 致谢
• 攻读硕士学位期间发表的学术论文
• 攻读硕士学位期间参与的科研项目