基于粗集約簡構(gòu)造概念格的關(guān)聯(lián)規(guī)則挖掘.pdf

1、近年來,隨著數(shù)據(jù)庫管理系統(tǒng)被廣泛應(yīng)用,以及計算機和網(wǎng)絡(luò)的發(fā)展,產(chǎn)生了各種各樣的數(shù)據(jù)。在如何從海量數(shù)據(jù)中提取有價值的知識和信息,更好利用這些數(shù)據(jù),來預(yù)測未來發(fā)展趨勢等迫切的需求下,數(shù)據(jù)挖掘便應(yīng)運而生,引起了信息產(chǎn)業(yè)界和整個社會的廣泛關(guān)注,成為目前研究熱點之一。
　　關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘的一個重要研究內(nèi)容和研究熱點之一。粗糙集與概念格是數(shù)據(jù)分析和知識處理的有力工具。粗糙集理論是一種處理不完備和不確定知識的數(shù)學(xué)工具,已經(jīng)廣泛應(yīng)用于數(shù)據(jù)

2、挖掘等領(lǐng)域。基于粗集屬性約簡,刪除冗余屬性,降低屬性的維數(shù),來減少數(shù)據(jù)挖掘規(guī)模和大量候選項集的產(chǎn)生,是粗糙集理論在數(shù)據(jù)挖掘領(lǐng)域的重要研究內(nèi)容之一。而概念格產(chǎn)生于形式概念分析,它的每個結(jié)點實質(zhì)上是一個最大項目集,通過構(gòu)造概念格,利用Hasse圖可視化的優(yōu)點,方便計算支持度和置信度,以及快速地找出感興趣的或有意義的關(guān)聯(lián)規(guī)則,使用戶能更好的分析挖掘結(jié)果,得到較好的關(guān)聯(lián)規(guī)則。因此,利用概念格提取關(guān)聯(lián)規(guī)則是有意義的。
　　本文分析了經(jīng)典的關(guān)

3、聯(lián)規(guī)則挖掘算法,對進一步需要研究的問題進行了分析,包括挖掘過程中產(chǎn)生大量候選項集、多次掃描數(shù)據(jù)庫,以及當(dāng)數(shù)據(jù)屬性數(shù)目較多時挖掘效率低下等問題。分析了經(jīng)典的屬性約簡算法,包括 Pawlak屬性約簡算法,信息熵約簡算法和Skowron矩陣約簡算法,而這些算法要么不夠直觀,要么比較復(fù)雜,要么計算量大,空間性能較低,要么實現(xiàn)困難。接著以這些問題為突破口,將粗集約簡和構(gòu)造概念格關(guān)聯(lián)規(guī)則提取這兩種方法綜合,實現(xiàn)關(guān)聯(lián)規(guī)則挖掘。本文主要工作及結(jié)果如下:

4、
　　1)本文提出一種改進的基于知識劃分粒度的決策表約簡算法。該算法從知識劃分粒度概念出發(fā),定義了相對知識劃分粒度和相對知識劃分粒度的相對重要度,以相對知識劃分粒度相對重要度為終止條件,求取相對屬性約簡集。該算法采用的啟發(fā)式算法,首先通過決策表信息求出相對核,然后在核的基礎(chǔ)上求出相應(yīng)的相對約簡集。并通過實驗分析表明該算法是有效的,能得到精確的約簡集,表現(xiàn)形式簡潔,易于理解,易于在計算機上實現(xiàn)。
　　2)本文將粗集約簡和構(gòu)造概

5、念格關(guān)聯(lián)規(guī)則提取這兩種方法綜合,來提取關(guān)聯(lián)規(guī)則。主要思想是,在數(shù)據(jù)挖掘數(shù)據(jù)預(yù)處理階段完成后,使用改進的基于知識劃分粒度的屬性約簡算法對數(shù)據(jù)預(yù)處理好的數(shù)據(jù)進行屬性約簡,刪除冗余屬性,降低屬性的維數(shù),來減少數(shù)據(jù)挖掘規(guī)模和大量候選項集的產(chǎn)生。然后通過構(gòu)造概念格算法對約簡結(jié)果集構(gòu)造概念格,通過 Hasse圖形式表現(xiàn)決策表信息。利用Hasse圖可視化的優(yōu)點,方便計算支持度和置信度,以及快速地找出感興趣的或有意義的關(guān)聯(lián)規(guī)則,使用戶能更好分析挖掘結(jié)果