数据挖掘中的关联规则发现

论文摘要

随着数据库技术的发展,数据的存储已经日益成为一件方便的事情,商业机构和个人都越来越愿意保留下日常数据,以备需要时使用。大量被保存的数据背后隐藏着许多重要的信息,但这些表面上杂乱无章的数据已经远远超过了人们的理解能力,人们希望能够对其进行更高层次的分析,以便更好地利用这些数据。 数据挖掘正是在这样的背景下产生并成为计算机领域的研究热点。 本文首先描述了数据挖掘的基本概念及其本质。简要介绍了数据挖掘的研究背景,研究内容,发展历史和发展方向,对数据挖掘的应用也做了相关的介绍。 论文随后介绍了数据挖掘中的关联规则发现,讲解了关联规则的基本概念,分析了关联规则的原理以及其在实际中的应用。 论文的中心思想是关联规则发现中的Apriori算法及其改进。通过分析Apriori算法,证明了算法中的连接步和剪枝步还存在着不够完善的地方,极大的影响了算法整体效率。针对相应的问题文中给出了改进的方法GPA(Group Parallel Algorithms),GPA通过动态分组的思想提高循环效率。另外针对最小支持度条件发生变化的情况,给出了最大效率利用已有结果的改进算法GIUA(Group Incremental Updating Algorithms)。两者都可利用分组的条件方便地实现并行化处理。最后文中通过理论证明和实际运行效果展示证明了新算法所带来的效率改进。 为了区别本文给出的改进算法与同类算法不同,论文也专门进行了GIUA算法和GPA算法与同类算法在算法思想与执行效率上的比较。 最后给出了论文的总结和下一步的研究计划。

论文目录

• 目录
• 摘要
• ABSTRACT
• 第一章 数据挖掘研究概况
• 1.1 数据挖掘的研究背景
• 1.2 数据挖掘的定义
• 1.2.1 技术上的定义和含义
• 1.2.2 商业上的定义
• 1.3 数据挖掘的研究历史、现状与发展
• 1.4 数据挖掘的研究内容与意义
• 1.4.1 广义知识（Generahzation）
• 1.4.2 关联知识（Association）
• 1.4.3 分类知识（Classification & Clustering）
• 1.4.4 预测型知识（Prediction）
• 1.4.5 偏差型知识（Deviation）
• 1.5 数据挖掘的应用与实现方案
• 1.5.1 自动预测趋势和行为
• 1.5.2 关联分析
• 1.5.3 聚类
• 1.5.4 概念描述
• 1.5.5 偏差检测
• 1.6 数据挖掘的环境和流程
• 1.6.1 数据挖掘环境图示
• 1.6.2 数据挖掘流程
• 第二章 数据挖掘中的关联规则研究
• 2.1 关联规则介绍
• 2.1.1 关联问题描述
• 2.2 关联规则挖掘的算法
• 2.2.1 核心算法
• 2.2.2 Apriori算法的几种优化方法
• 2.2.3 其他的频集挖掘方法
• 2.3 多层和多维关联规则的挖掘
• 2.3.1 多层关联规则
• 2.3.2 多维关联规则
• 2.4 关联规则价值衡量的方法
• 2.4.1 系统客观层面
• 2.4.2 用户主观层面
• 第三章 Apriori算法的改进研究
• 3.1 Apriori算法的研究现状
• 3.2 Apriori算法分析与设计
• 3.2.1 Apriori算法分析
• 3.2.2 程序设计流程
• 3.2.3 Apriori算法实际设计
• 3.3 一种并行化的关联规则算法-GPA（Group Parallel Algorithms）
• 3.3.1 基本思想
• 3.3.2 原理论证
• 3.3.3 算法实现
• 3.3.4 GPA完整算法描述与分析
• 3.3.5 核心模块分析
• 3.3.6 性能分析
• 3.3.7 实验环境与结果
• 3.4 基于动态分组的增量式关联规则更新算法-GIUA（Group Incremental Updating Algorithms）
• 3.4.1 增量分析
• 3.4.2 GIUA算法中的分组构造
• 3.4.3 GIUA完整算法
• 3.4.4 核心模块分析
• 3.4.5 实验结果与性能分析
• 第四章 与同类算法的比较
• 4.1 IUA算法
• 4.1.1 IUA算法原理
• 4.1.2 IUA算法原理解析
• 4.2 IUA算法与 GPA算法以及 GIUA算法的比较
• 第五章 结论与展望
• 致谢
• 参考文献
• 发表论文
• 附录