數據挖掘中關聯分析算法研究.pdf

1、關聯規(guī)則挖掘在商業(yè)中的廣泛應用使得它成為數據挖掘中最活躍的研究方向之一。強相關項目對的挖掘算法是提高數據挖掘效率的有效方法，是解決當前關系數據庫挖掘問題的關鍵途徑之一。在傳統(tǒng)的基于支持度的關聯規(guī)則挖掘框架中，數據之間真正的關聯可能未被發(fā)現，與此同時可能還會產生太多不具有真正相關性的規(guī)則。統(tǒng)計關聯被越來越多的研究人員所采用，以彌補關聯規(guī)則的不足。關聯分析算法的研究對于提高數據發(fā)現、搜索效率，推廣數據庫在社會各領域的應用等方面具有十分重大的

2、理論價值和實際意義。本文緊密結合課題背景需求，對強關聯規(guī)則和關聯模式的挖掘問題進行了全面系統(tǒng)地探索。主要研究內容組織如下：
　　 首先，為了在關系數據庫上進一步減少候選項目對測試的代價，通過第一范式的性質，對Taper算法進行改進，提出了改進的TaperR算法，在挖掘過程中減少候選項目對的數目，從而提高算法的效率。實驗結果表明，設計的新算法在進行關系數據庫上的強相關項目對挖掘時，具有良好的效果。因此，更適合在實際的關系數據庫系統(tǒng)

3、中應用。
　　 其次，設計了一種高效的通過單次掃描數據庫獲取Top-K項目對的挖掘算法，且不產生任何候選集。查找基于支持度的top-k強關聯項目對的問題本質上是計算1-和2-成員項集的問題，利用支持頻度獲得top-k強關聯項目對。新方法利用相關圖矩陣存儲所有1-和2-成員項集的支持頻度。然后，利用相關圖矩陣計算所有項目對的相關系數φ，最后提取k個最相關的項目對，實驗表明方法行之有效。
　　 第三，為了有效解決關系數據庫上

4、的Top-K強相關項目對的挖掘問題，提出了基于閾值估計的Top-K強相關項目對挖掘算法，即利用數據庫的結構信息和比較算法，尋求K個具有最大皮爾森關聯系數的項目對，實驗結果表明，新方法是行之有效的。
　　 第四，基于用戶偏好模型提出了一種智能的最小支持度設定系統(tǒng)架構，在用戶偏好模型中為指定用戶找出了最相似的查詢，將它們聯合起來獲得適當的支持度范圍以供用戶參考?；诒痉椒ǎ糜贏priori算法的支持度閾值設定不再全是主觀的，而是包

5、括了來自其它用戶經驗的額外知識。這就提高了用戶查詢構造過程的效率，獲得的規(guī)則或挖掘也趨近于用戶的要求。此外，為了解決在結構化數據庫中查找頻繁關聯模式對的數據挖掘問題，開發(fā)了具有強大剪枝能力的算法。還討論了新算法對于在一維和多維結構化數據庫中發(fā)現模式對適用性問題，并評估了新算法的效率。
　　 最后，提出了領域知識驅動的圖像關聯模式挖掘算法。圖像中包含了很多具有診斷意義的關鍵像素區(qū)域(ROI)，這些ROI具有自身的屬性，ROI之間還