关联规则中支持度变化的数据重挖掘算法研究

使用关联规则进行数据挖掘时,使用者为了达到一定的挖掘效果,经常需要不断地改变关联规则的支持度阈值(support)。文中提出了一种从大型数据库中挖掘关联规则的快速算法。该算法以经典的Apriori算法为基础,可以在提出新的支持度后,直接在首次挖掘的基础上进行再一次挖掘。结果表明,它较Apriori算法的实现速度有明显的提高。     

关联规则挖掘Apriori算法的研究

关联规则反映了大量数据中项集之间的相互依存性和关联性。Apriori算法是关联规则挖掘中的经典算法。本文在对Apriori算法分析的基础上,针对该算法存在的缺陷,即会产生大量冗余的候选集并频繁扫描数据库,提出了改进的Apriori算法,并给予验证。实践证明,改进后的算法效率优于传统的算法。     

基于关联规则Apriori算法的学生成绩分析

关联规则挖掘是数据挖掘领域研究的热点问题,其中Apriori算法是经典的关联规则算法。将关联规则Apriori算法应用到学生成绩分析中,挖掘出课程与课程之间的相互关系,寻找各方面影响学生成绩的因素,发现隐藏在数据背后有价值的信息,从而为学生选课和教师教学以及教学管理工作等提供辅助性的建议与决策。     

Web使用挖掘在网站优化中的应用研究

针对互联网用户访问Web服务器产生的日志。结合Web使用挖掘相关理论，采用Apriori算法挖掘用户的频繁访问模式。首先进行数据预处理以保证数据的质量及提高挖掘的效率；然后对预处理后的数据采用Apriori算法进行关联规则挖掘，找出其中的频繁访问模式；最后分析结果，总结规则，提出建议。     

Aprior算法的改进及其在高职学生就业中的应用

Apriori算法是一种最具有影响力的挖掘布尔关联规则频繁项集的算法。然而,在产生频繁项集时,需要多次扫描事务数据库,并产生庞大的候选集。为了降低算法的时间复杂度,提高程序运行效率,提出了一种改进的Apriori算法。同时,以某一高职院校中已毕业学生和在校生的就业信息为基础,建立了就业事务数据库,运用改进的Apriori算法对就业数据进行处理,产生了频繁项集。根据最小支持度和最小置信度的定义,找出强关联规则。并引入重要性对强关联规则进行分析,发现具有实际意义的信息,为高职学校就业指导提供决策,为学生就业提供了若干意见。     

基于模糊聚类的数字图书馆个性化推荐系统方案设计

用户建模是数字图书馆个性化推荐系统中的关键技术,本文依据中图法对用户兴趣进行了建模,并通过Apriori关联规则算法挖掘了信息资源各类别间的关联,然后通过FCM算法对用户进行聚类分析得到目标用户的最近邻,在Top_n最近邻居集中通过协调过滤技术产生推荐。实验结果表明,本文提出的方案是可行的和有效的,也为创新数字图书馆个性化服务提供了一种新的思路。     

基于规则型挖掘的油料装备知识发现研究

在基于知识的油料装备设计过程中,利用知识发现的方法实现油料装备知识的自我繁衍,对丰富油料装备知识库,提高油料装备的自动化设计水平具有重要意义。运用规则型挖掘技术中的Apriori算法挖掘出油料装备功能性需求数据中的关联规则,并将其存入知识库。这些关联规则,直接揭示了隐含在油料装备功能需求数据间的规律,为油料装备的功能设计决策提供了依据。     

通信设备告警关联规则挖掘探索——Apriori算法的应用

随着通信行业的蓬勃发展,运营商给用户提供的服务水平也不断提高,因此也给通信设备的维护工作提出了更高的要求。在移动网管领域中,设备告警的监控及处理工作始终都是至关重要的工作之一,最近几年网管系统已经实现了设备告警关联呈现,但告警关联功能是依赖于设备告警的关联规则的,目前告警关联规则都是靠维护人员的经验总结出来的,如何能够经过分析自动发现未知的告警关联规则是亟待解决的问题。运用Apriori算法通过对大量历史告警数据的分析可以实现挖掘告警数据中的频繁项集最终发现告警关联规则。     

改进的Apriori算法在教学质量评价中的应用

文章针对经典的Apriori算法存在的不足进行改进,并把改进的算法运用到高校教学质量评价中,发现评价信息中许多潜在有价值的关联信息,帮助教学部门进行辅助决策,同时也为教师提供有价值的参考。     

关联规则挖掘技术发展及应用

本文主要介绍了关联规则挖掘的主要内容和最新进展,对关联规则的各种挖掘算法进行比较,分析了关联规则挖掘的各种扩展和改进模型,最后简单介绍关联规则的应用.     

金属期货与现货市场价格互动关联规则挖掘研究

期货市场传递的价格信息反映未来供求状况的预期,因此,研究金属期货和现货市场价格互动,对于国民经济发展、企业规避价格风险、投资者进行投资决策及政府进行市场监管都有重要意义。本文将数据挖掘中的关联规则挖掘方法引入金融时间序列分析研究领域,针对挖掘对象期货市场的特点,提出基于时间约束的时间序列关联规则挖掘算法。与传统的忽视数据时间信息的关联规则挖掘算法相比,该算法对期货价格与现货价格间的互动关联规则进行挖掘,能发现反映时间序列局部动态互动关联关系,具有一定的短期预测效果。     

浅谈数据挖掘技术在学生成绩分析中的应用

利用数据挖掘中的关联规则能够挖掘出大量数据中项集之间有意义的相关联系。采用Apriori算法对黑龙江工程学院学生的课程成绩进行分析,进而发现课程之间的联系,为教务处进行日常教学管理提供帮助。     

关联规则挖掘技术发展及应用

本文主要介绍了关联规则挖掘的主要内容和最新进展。对关联规则的各种挖掘算法进行比较，分析了关联规则挖掘的各种扩展和改进模型，最后简单介绍关联规则的应用。     

基于Apriori算法的机构投资者投资偏好研究

近年来,在"超常规发展机构投资者"的战略指导下,我国证券市场上机构投资者队伍迅速壮大。以证券投资基金、券商为代表的机构投资者正成为证券市场的主要参与者。机构投资者对市场的影响逐渐加大,逐渐成为市场的主导。文章采用Apriori算法对机构投资者投资偏好进行关联规则的挖掘,初步探讨了影响机构投资者投资的企业特征,对于分类协调和发展机构投资者,塑造多元化均衡的投资者结构,进一步稳定证券市场,提高证券市场成熟度和市场效率具有重大意义。     

应用Benford法则和Apriori算法对海量数据的审计分析

随着信息时代的飞速发展,被审计单位财务和业务数据量爆炸式增长,审计技术必须不断发展和创新以适应信息时代审计的新要求。本文在这一背景下,对审计技术的创新作了探索性的研究,主要通过Benford法则和Apriori算法的关联数据挖掘的技术手段在审计中的应用,探讨了如何在被审计单位海量数据中进行挖掘分析,从而发现有业务意义的强规则,通过这些强规则解释数位发生偏离的原因,从而快速发现审计疑点。     

关联规则算法探讨

文章对关联规则的发展进行了简单的介绍，分析了关联规则的经典算法，介绍进了一种新的关联规则算法，并对这三种算法在挖掘关联规则的特点进行了对比分析，最后对关联规则以后的发展进行了总结。     

基于兴趣度的关联规则在学生成绩中的应用

对关联规则中Apriori算法的分析,并将其应用到学生成绩中,得到了一些先前未知的,有价值的信息,但同时又有一些无用甚至错误的规则出现,通过对关联规则的改进:加入了兴趣度阀值,提高了关联规则在数据挖掘中的精度,并且减少了无用,错误规则的产生,为学生成绩的分析提供了很好的支持。     

基于关联规则挖掘的Q-CFIsL算法在网络入侵检测系统中的应用

针对关联规则挖掘算法在处理海量数据的过程中存在效率低、需要反复访问数据库等问题,以及在入侵检测系统产生误报、效率低下等问题,文章提出了基于关联规则挖掘的Q-CFIsL算法,设计了基于Q-CFIsL算法的入侵警报检测系统模型。实验证明,Q-CFIsL算法在减少入侵警报的数量和降低误报率等方面明显优于其他算法。     

基于Apriori算法的邮政手机渠道的产品关联分析

为了查找客户手机渠道的购买规律，做好邮政手机渠道的推荐。本文采用Apriori算法针对客户的手机订单进行处理，统计并且分析手机业务之间的关联性，生成手机渠道业务的强推荐规则。推荐算法的关键在于阀值的确定，本文将关联规则产生的购买行为对应的购买比例与客户的平均购买比例相比较，高于平均购买比例的规则定义为强规则，最终，本文得到12条强关联规则。     

基于关联规则挖掘的Q-CFIsL算法在网络入侵检测系统中的应用

针对关联规则挖掘算法在处理海量数据的过程中存在效率低、需要反复访问数据库等问题,以及在入侵检测系统产生误报、效率低下等问题,文章提出了基于关联规则挖掘的Q—CFIsL算法,设计了基于Q—CHsL算法的入侵警报检测系统模型。实验证明,Q-CFIsL算法在减少入侵警报的数量和降低误报率等方面明显优于其他算法,