基于極團(tuán)模式的關(guān)聯(lián)規(guī)則挖掘算法的研究

《基于極團(tuán)模式的關(guān)聯(lián)規(guī)則挖掘算法的研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、碩士碩士學(xué)位陳論文一心基于極團(tuán)模式的關(guān)聯(lián)規(guī)則基于極挖掘算法的研究團(tuán)模式的關(guān)聯(lián)規(guī)則挖陳一心掘算法的研究2014二○一四年六月分類號(hào)密級(jí)UDC碩士學(xué)位論文基于極團(tuán)模式的關(guān)聯(lián)規(guī)則挖掘算法的研究陳一心學(xué)科專業(yè)計(jì)算機(jī)應(yīng)用技術(shù)指導(dǎo)教師楊磊研究員楊穎教授論文答辯日期2014年5月22日學(xué)位授予日期答辯委員會(huì)主席陳友初教授級(jí)高工廣西大學(xué)學(xué)位論文原創(chuàng)性和使用授權(quán)聲明本人聲明所呈交的論文，是本人在導(dǎo)師的指導(dǎo)下獨(dú)立進(jìn)行研究所取得的研究成果。除已特別加以標(biāo)注和致謝的地方外，論文不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫的研究成果，也不包含本人或他人為獲得廣西大學(xué)或其它單位的學(xué)位而使用

2、過的材料。與我一同工作的同事對本論文的研究工作所做的貢獻(xiàn)均已在論文中作了明確說明。本人在導(dǎo)師指導(dǎo)下所完成的學(xué)位論文及相關(guān)的職務(wù)作品，知識(shí)產(chǎn)權(quán)歸屬廣西大學(xué)。本人授權(quán)廣西大學(xué)擁有學(xué)位論文的部分使用權(quán)，即：學(xué)校有權(quán)保存并向國家有關(guān)部門或機(jī)構(gòu)送交學(xué)位論文的復(fù)印件和電子版，允許論文被查閱和借閱，可以將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索和傳播，可以采用影印、縮印或其它復(fù)制手段保存、匯編學(xué)位論文。本學(xué)位論文屬于：□保密，在年解密后適用授權(quán)?！醪槐Ｃ?。(請?jiān)谝陨舷鄳?yīng)方框內(nèi)打“√”)論文作者簽名：日期：指導(dǎo)教師簽名：日期作者聯(lián)系電話：電子郵箱：基于極團(tuán)模式的關(guān)聯(lián)

3、規(guī)則挖掘算法的研究摘要關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘研究的一個(gè)重要內(nèi)容，通過采用支持度和置信度去除非頻繁項(xiàng)獲得目標(biāo)關(guān)聯(lián)規(guī)則。對支持度分布嚴(yán)重傾斜的數(shù)據(jù)集挖掘時(shí)，傳統(tǒng)的頻繁項(xiàng)集挖掘算法不能有效適用于一些重要的挖掘任務(wù),支持度閾值很難確定，過高則會(huì)有置信度較高的規(guī)則遺漏，過低則會(huì)得到大量可信度較低的冗余規(guī)則。挖掘關(guān)聯(lián)規(guī)則效率和準(zhǔn)確性，是數(shù)據(jù)挖掘研究的重點(diǎn)。極大團(tuán)是無向圖G最大的全連通分量，旨在將關(guān)聯(lián)性強(qiáng)、可能產(chǎn)生極大頻繁項(xiàng)的項(xiàng)集生成極大團(tuán),之后再針對每一個(gè)極大團(tuán)求解極大頻繁項(xiàng)集。并快速產(chǎn)生所有可靠關(guān)聯(lián)規(guī)則，提高時(shí)間效率。本文通過對經(jīng)典算法APriori算法和FP-grow

4、th算法的工作原理和機(jī)制以及極大團(tuán)算法等理論進(jìn)行深入研究，總結(jié)它們的優(yōu)缺點(diǎn)。在此基礎(chǔ)上，針對目前關(guān)聯(lián)規(guī)則存在的問題展開研究,主要的研究工作如下：1．針對挖掘項(xiàng)目支持度不均勻分布的數(shù)據(jù)集很難設(shè)置合適的支持度閾值的問題，提出了基于極大團(tuán)的加權(quán)可信關(guān)聯(lián)規(guī)則算法MCWCAR（MaximumCliqueWeightedCredibleAssociationRule)。通過定義加權(quán)可信關(guān)聯(lián)規(guī)則和2-項(xiàng)加權(quán)可信集的基本概念，并利用2-項(xiàng)鄰接矩陣來產(chǎn)生2-項(xiàng)加權(quán)可信集，得到對應(yīng)的稀疏圖；對于由稀疏圖求出的每個(gè)連通分量，由前k?1個(gè)頂點(diǎn)構(gòu)成所有極大團(tuán)，再將第k個(gè)頂點(diǎn)加入（k

5、?1）-極大團(tuán)中，得到k-項(xiàng)加權(quán)可信集，完成極大團(tuán)的加權(quán)可信關(guān)聯(lián)規(guī)則挖掘過程。以解決不均勻I分布的數(shù)據(jù)集難設(shè)置合適的支持度閾值的問題，并避免多次掃描數(shù)據(jù)庫和頻繁生成模式樹，減少項(xiàng)集支持度的計(jì)算量。最后通過實(shí)驗(yàn)驗(yàn)證所提出的算法MCWCAR比傳統(tǒng)算法在挖掘關(guān)聯(lián)規(guī)則的時(shí)間性能和準(zhǔn)確性具有更高的效率。2．針對目前數(shù)據(jù)挖掘中存在對長模式挖掘效率低和挖掘方式不完整等問題，提出基于動(dòng)態(tài)圖的Top-N極團(tuán)模式挖掘算法CSDGMPA（CliqueSearchWithDynamicUpdateOfGraphBasedMaximumPatternMiningAlgorithm）

6、。算法在提出2個(gè)剪枝規(guī)則的基礎(chǔ)上，通過剪枝無效團(tuán)和擴(kuò)展團(tuán)兩個(gè)階段精確地識(shí)別TopN?極大團(tuán)，最后采用深度優(yōu)先分支定界的算法尋找長度為TopN?的極大模式。所提出的算法能在基于K-項(xiàng)模式圖構(gòu)建的圖中發(fā)現(xiàn)以團(tuán)的形式出現(xiàn)的目標(biāo)模式。隨著圖表動(dòng)態(tài)地稀疏化，使得尋找團(tuán)的過程更加高效，優(yōu)化了搜索過程，提高剪枝準(zhǔn)確性。最后，通過仿真實(shí)驗(yàn)，將CSDGMPA算法和傳統(tǒng)算法MAXIA和LCM進(jìn)行對比，驗(yàn)證了CSDGMPA算法在時(shí)間花銷等方面的優(yōu)越性。關(guān)鍵字：加權(quán)可信關(guān)聯(lián)規(guī)則；極大團(tuán)；模式圖；TopN?極大模式IISTUDYONASSOCIATIONRULEMININGALGO

7、RITHMBASEDONTHEPATTERNOFPOLARCLIQUEABSTRACTAssociationruleminingisoneoftheimportantresearchcontentsinthefieldofdatamining,throughtheadoptionofsupportdegreeandconfidencetoremovetheinfrequentitemsandobtaintheobjectassociationrule.Intermofthedatasetminingdistributedwithsevereinclinat

8、ion,thetraditionalfrequentitemset