基于概念格的關聯規(guī)則挖掘研究與實現.pdf

1、關聯規(guī)則挖掘作為數據挖掘領域中最活躍的研究分支之一，其目的是發(fā)現數據集中潛在的、新穎的、并為人類所理解的數據項間的關系。概念格理論，又稱形式概念分析，用于概念的發(fā)現、排序和顯示，其核心數據結構是概念格。概念格通過概念間的泛化和特化關系來表示知識。作為一種知識表示模型，概念格能夠為關聯規(guī)則挖掘提供有力支持。
　　本文分析了現有關聯規(guī)則挖掘算法中存在的主要問題。針對多次數據集掃描、候選集過多等問題，提出了在經典概念格中自頂向下、通過頻

2、繁概念逐層求取所有頻繁項集的關聯規(guī)則挖掘算法。針對規(guī)則冗余、無法及時更新等問題，優(yōu)化了量化擴展概念格的結構，提出了事務集新增、刪除和修改時格上的更新操作，通過將更新操作添加到Godin算法的建格過程中，形成了一種量化擴展概念格的增量式建格算法；根據最小等價內涵、封閉集定義了非冗余關聯規(guī)則的模式，證明了由該模式形成的非冗余規(guī)則集是完備的；以此為基礎設計實現了基于量化擴展概念格的增量式非冗余關聯規(guī)則挖掘算法及約束型關聯規(guī)則的挖掘算法。

3、>　　通過對算法在不同形式背景下執(zhí)行時間的分析，驗證了本文提出的“基于經典概念格的關聯規(guī)則挖掘”改進了Apriori算法在“求取頻繁項集”和“生成關聯規(guī)則”兩個模塊的執(zhí)行效率；“基于量化擴展概念格的關聯規(guī)則挖掘”在“生成關聯規(guī)則”模塊的效率和質量兩方面都優(yōu)于上述兩個算法。通過對算法特性的總結，得出當存在大量頻繁項集時，“基于量化擴展概念格的關聯規(guī)則挖掘”性能最優(yōu)；當形式背景規(guī)模較大、頻繁項集數量較少時，雖然因建格時間過長，整體性能不如其