A Model for Mining Multilevel Fuzzy Association Rule in Database
多层关联挖掘的模型和算法的研究对数学和计算机科学提出了新的挑战。当数据或数据关系中存在某种形式的不确定性（如模糊性）时，这些问题变得更具挑战性。本文提出了一种多级模糊关联规则挖掘模型，用于提取事务数据库中隐含的知识，每一级的支持度不同。该算法采用自顶向下的渐进式深化方法来获取大项目集。这种方法采用模糊边界，而不是尖锐的边界区间。最后通过一个实例表明，该算法可以简单有效地挖掘出不同支持度下的多层关联规则。
2010-01-20 cs.DB
A Seamless Integration of Association Rule Mining with Database Systems
人们早就认识到需要支持特定数据采掘查询的知识和数据发现管理系统（KDDMS）。大量的研究已经投入到构建紧密耦合的系统，将关联规则挖掘与数据库系统集成在一起。在本文中，我们描述了一个无缝集成计划的数据库查询和关联规则发现使用一个共同的查询优化器。扩展代数中表达式的查询树用于优化器中的内部表示。代数表示是足够灵活的，以处理约束关联规则查询和关联规则规范的其他变化。我们提出模块化来简化数据采掘中复杂任务的查询树。为在优化过程中利用现有的算法构造查询计划铺平了道路。如何集成方案，我们目前将促进更大的用户控制的数据采掘过程中进行了讨论。本文所描述的工作是一个更大的项目的一部分，该项目旨在将数据采掘与数据库管理完全集成。
2001-06-28 cs.DB
A Novel Approach For Discovery Multi Level Fuzzy Association Rule Mining
在事务数据库中寻找多级关联规则是最常见的，在数据采掘中得到了广泛的应用。本文提出了一种挖掘多级关联规则的模型，该模型在每一级上满足不同的最小支持度，利用模糊集的概念、多级分类法和不同的最小支持度，在给定的事务数据集中发现模糊多级关联规则。模型中利用Apriori属性对项目集进行剪枝。该模型采用自上而下的逐步深化方法来获得大型项目集。这种方法采用模糊边界，而不是尖锐的边界区间。最后通过一个实例证明了该算法能够简单有效地挖掘出不同支持度下的多层关联规则。
2010-03-22 cs.DB
An Efficient Algorithm for Mining Multilevel Association Rule Based on Pincer Search
频繁项集的发现是数据采掘的重要应用中的一个关键问题，如关联规则、强规则、事件和最小关键字的发现。多级关联挖掘的模型和算法的研究对数学和计算机科学提出了新的挑战。本文提出了一种挖掘多层关联规则的模型，该模型在每一层上满足不同的最小支持度，我们采用了原则搜索的概念、多层分类法和不同的最小支持度，在给定的事务数据集中发现多层关联规则。该搜索仅用于维护和更新新的数据结构。它用于修剪通常在自顶向下搜索中遇到的早期候选项。该算法的一个主要特点是不需要对每个频繁项集进行显式检查，并通过一个实例证明了该算法可以简单有效地挖掘出不同支持度下的多层关联规则
2012-09-27 cs.DB
Controlling False Positives in Association Rule Mining
关联规则挖掘是数据采掘领域的一个重要问题。它枚举和测试数据集上的大量规则，并输出满足用户指定约束的规则。由于被测试的规则数量庞大，数据中不代表真实系统效应的规则可以完全随机地满足给定的约束。因此，关联规则挖掘经常遭受误报错误的高风险。在关联规则挖掘中，对误报控制缺乏全面的研究。在本文中，我们采用三种多重测试校正方法-直接调整方法，基于排列的方法和保持方法-来控制关联规则挖掘中的误报，并进行了广泛的实验，以研究其性能。我们的研究结果表明：（1）如果不进行修正，会产生大量的虚假规则。(2)这三种方法可以有效地控制误报。在这三种方法中，基于置换的方法具有最高的功率检测真正的关联规则，但它是非常昂贵的计算。我们采用多种技术来有效地降低其成本。
2011-10-30 cs.DB
Searching of interesting itemsets for negative association rules
本文提出了一种在正负关联规则挖掘的第一阶段同时搜索正负感兴趣项集的算法。传统的关联规则挖掘算法是基于频繁项集来提取正关联规则的，对频繁项集只搜索感兴趣的正项集。此外，从传统的算法修剪频繁项集，以减少搜索空间，挖掘负关联规则中有有用的项目集。因此，传统的挖掘算法不能很好地找到挖掘负关联规则所需的负项集。我们的新算法搜索的积极和消极的项目集的利益准备的先决条件，挖掘所有的积极和消极的关联规则。
2018-06-20 cs.DB
Algorithms for Efficient Mining of Statistically Significant Attribute Association Information
数据集中属性之间的关联信息的知识提供了对数据的底层结构的洞察，并解释了属性和类（如果存在）之间的关系（独立性，协同性，冗余性）。当这种相互依赖性已知时，通过计算从数据中学习的复杂模型对人类分析师来说更容易解释。在本文中，我们重点关注挖掘属性之间的两种类型的关联信息--相关信息和交互信息，用于有监督分析（存在类属性）和无监督分析（不存在类属性）。识别统计上显著的属性关联是一项具有计算挑战性的任务-可能的关联的数量呈指数级增加，并且当存在多个相关属性时，许多关联包含冗余信息。在本文中，我们探索有效的数据采掘方法来发现非冗余的属性集，包含显着的关联信息，指示存在的信息模式的数据。
2012-08-19 cs.DB
A Frequent Closed Itemsets Lattice-based Approach for Mining Minimal Non-Redundant Association Rules
为了提高频繁项集或频繁闭项集的挖掘速度，已有许多算法被提出。然而，对关联规则生成时间的处理算法还没有得到深入的研究。实际上，在一个数据库包含许多FI/FCI（从数万到数百万）的情况下，生成关联规则的时间远远大于挖掘FI/FCI的时间。因此，本文提出了一种应用频繁闭项集格（FCIL）挖掘最小非冗余关联规则（MNAR），以减少大量的时间生成规则。首先，我们使用CHARM-L来建立FCIL。在此基础上，提出了一种基于FCIL的MNAR快速生成算法。实验结果表明，该算法在挖掘时间上比基于频繁项集格的算法有明显的提高。
2011-08-26 cs.DB
Efficient Analysis of Pattern and Association Rule Mining Approaches
数据采掘的过程从给定的数据源产生各种模式。发现频繁项集、频繁序列模式、频繁序列规则和频繁关联规则是数据采掘中公认的最重要的任务。已经提出了许多有效的算法来完成上述过程。频繁模式挖掘一直是数据采掘研究的一个热点问题，有大量的文献可供参考，并取得了重要的进展，从事务数据库中频繁项集挖掘的高性能算法到复杂算法，如序列模式挖掘、结构化模式挖掘、相关性挖掘等。关联规则挖掘（ARM）是当前最流行的数据采掘技术之一，它从大型数据库中对对象进行分组，目的是从海量数据中提取有趣的关联和关系。本文对频繁模式挖掘的研究现状进行了简要的回顾和分析，并讨论了一些有前景的研究方向。此外，本文还包括所述方法的性能之间的比较研究。
2014-02-12 cs.DB
Database Reverse Engineering based on Association Rule Mining
维护遗留数据库是一项艰巨的任务，特别是当系统文档写得很差甚至丢失时。数据库逆向工程是从现有数据库实例恢复高级概念设计的尝试。在本文中，我们提出了一种技术，发现概念模式使用的关联挖掘技术。发现的模式对应于第三范式的规范化，这是许多业务组织中的常见做法。我们的算法还包括规则过滤启发式解决问题的指数增长的关联挖掘技术继承的发现规则。
2010-04-19 cs.DB
Bidirectional Growth based Mining and Cyclic Behaviour Analysis of Web Sequential Patterns
Web序列模式对于分析和理解用户行为以提高万维网提供的服务质量具有重要意义。Web预取就是这样一种技术，它利用通过对挖掘出的Web序列模式进行循环模型分析得出的预取规则。如果我们使用一个高效的和可扩展的挖掘技术，如基于双向增长的有向无环图的预测更准确，更令人满意的预取结果。在本文中，我们提出了一种新的算法，称为双向增长的挖掘循环行为分析的Web序列模式（BGCAP），有效地结合这些策略，产生预取规则的形式2序列模式的周期性和阈值的循环行为，可以用来有效地预取网页，从而减少用户感知的延迟。由于BGCAP是基于双向模式增长的，它只执行（log n+1）级递归挖掘n个Web序列模式。我们的实验结果表明，使用BGCAP生成的预取规则比TD-Mine在不同数据大小下快5- 10%，在固定数据大小下快10-15%。此外，BGCAP生成的预取规则比TD-Mine多5- 15%。
2013-04-15 cs.DB
Towards an incremental maintenance of cyclic association rules
最近，循环关联规则已被引入，以发现规则的项目，其特点是随着时间的推移规律性变化。在现实生活中，时态数据库经常被追加或更新。每次重新扫描整个数据库是非常昂贵的，而现有的增量挖掘技术可以有效地解决这样的问题。在本文中，我们提出了一个增量算法的循环关联规则维护。我们的建议进行的实验强调其效率和性能。
2010-09-27 cs.DB
An Optimized Weighted Association Rule Mining On Dynamic Content
关联规则挖掘的目的是从大型事务数据库中挖掘关联规则。经典的关联规则挖掘模型假设所有项目具有相同的重要性，而不考虑它们的权重。它也忽略了事务之间的差异和每个项集的重要性。但是，加权关联规则挖掘（WARM）不适用于只有二进制属性的数据库。它利用了每个项集和事务的重要性。WARM要求每个项目都被赋予权重，以反映它们对用户的重要性。权重可以对应于某些产品的特别促销或不同项目的盈利能力。本研究工作首先集中在基于有向图的权重分配，其中节点表示项目，链接表示关联规则。HITS的广义版本应用于图中的项目排名，其中所有节点和链接都允许有权重。然后，本研究通过开发一种在线特征向量计算方法来使用增强的HITS算法，该方法可以在频繁更新的情况下计算相互强化投票的结果。例如，在股票市场上，股票价格可能下跌或上涨。因此，我们需要仔细观察市场，我们的关联规则挖掘必须产生发生频繁变化的项目。这些都是通过估计扰动的上界和推迟更新尽可能。接下来我们证明了在动态数据的情况下，改进的算法比原来的HITS算法更有效。
2010-04-20 cs.DB
Building A Smart Academic Advising System Using Association Rule Mining
在学术环境中，学生咨询被认为是导师和学生提高学生学习成绩的最重要活动。在学生人数众多的大学中，咨询是一项耗时的活动，可能需要顾问和大学管理部门做出相当大的努力来指导学生成功有效地完成注册。目前的系统是传统的，在很大程度上取决于顾问的努力，以找到最好的课程选择，以提高学生的表现。需要一个智能系统，可以建议大量的学生每学期。在本文中，我们提出了一个智能系统，使用关联规则挖掘，以帮助学生和顾问在选择和优先级的课程。该系统通过建议满足学生当前需求的课程来帮助学生提高成绩，同时提高他们的学业成绩。该系统使用关联规则挖掘，以找到已注册的学生在许多以前的学期课程之间的关联。该系统成功地生成了一个关联规则列表，指导特定的学生选择由类似的学生注册的课程。
2014-07-04 cs.DB
Interactive Constrained Association Rule Mining
我们研究的方法来支持交互式挖掘会话，在关联规则挖掘的设置。在这样的会话中，用户指定要生成的关联的条件（查询）。我们的方法是挖掘阶段内的查询条件的集成，和已经生成的关联的增量查询的组合。我们提出了几个具体的算法，并比较它们的性能。
2003-02-05 cs.AI cs.DB
ARULESPY: Exploring Association Rules and Frequent Itemsets in Python
本文介绍了新的Python包arulespy，它将R语言arules包中用于频繁项集和关联规则挖掘的全面基础设施及高效算法引入Python用户。
2023-05-24 cs.DB
A Novel Approach for Mining Similarity Profiled Temporal Association Patterns
从非时态数据库中挖掘频繁模式是数据采掘、时态数据库和信息检索领域的研究热点。然而，传统的频繁模式算法不适合从时态数据库中发现相似的时态关联模式。时态数据库是能够存储过去、现在和未来信息的数据库。本研究的目的是提出一种新的方法，以便找到相似的时间关联模式w.r.t用户指定的阈值和一个给定的参考支持时间序列使用维恩图的概念。为此，我们保持两种类型的支持称为积极的支持和消极的支持值，以找到类似的时间关联模式的用户兴趣。我们的方法的主要优点是，它只执行一个单一的扫描时间数据库，以找到类似于指定的参考支持序列的时间关联模式。因此，这种单一数据库扫描方法消除了多次扫描数据库时产生的巨大开销。本方法还消除了在计算下一阶段的时间模式时计算和维护前一阶段的时间模式的所有子集的真实支持值的需要。
2016-04-18 cs.DB
Recent Trends and Research Issues in Video Association Mining
随着数字图书馆和视频数据库的不断发展，从视频数据库中自动理解和挖掘知识变得越来越重要。在视频数据采掘的研究领域中，发现大型视频数据库中项目之间的关联规则具有重要的意义。在过去几年的研究和发展的基础上，关联规则挖掘在不同的领域，如监控，会议，广播新闻，体育，档案，电影，医疗数据，以及个人和在线媒体收藏中的应用越来越多。本文的目的是提供一个从视频数据库中挖掘关联规则的通用框架。本文还介绍了视频关联挖掘中的研究问题，以及最新的发展趋势。
2011-12-09 cs.DB cs.MM
A Model-Based Frequency Constraint for Mining Associations from Transaction Data
频繁项集挖掘是一种在数据库中发现关联项的常用方法。对于这种方法，支持度，形成关联的项目的共现频率，被用作关联的重要性的主要指标。使用单个用户指定的支持阈值来决定是否应进一步调查关联。支持有一些已知的问题，罕见的项目，有利于较短的项目集，有时产生误导性的协会。在本文中，我们开发了一种新的基于模型的频率约束作为一个单一的，用户指定的最小支持的替代。该约束通过应用简单的随机混合模型（NB模型）来利用生成事务数据的过程的知识，该模型允许事务数据的通常高度偏斜的项目频率分布。用户指定的精度阈值与模型一起使用，以找到项目集组的局部频率阈值。在此基础上，提出了NB-频繁项集的概念，并提出了一种挖掘算法来发现数据库中所有的NB-频繁项集。在公开的交易数据库的实验中，我们表明，新的约束提供了一个单一的最小支持阈值的改进和精度阈值是更强大的，更容易设置和解释的用户。
2008-03-21 cs.DB
Class Association Rules Mining based Rough Set Method
Taif University（塔伊夫大学）
研究了利用粗糙集方法挖掘类别关联规则的问题。在数据采掘中，当一个元素集与另一个元素集同时出现时，两个元素集之间就会产生关联。类关联规则集（CAR）是关联规则的子集，其中类被指定为其结果。本文从Apriori算法出发，提出了一种有效的挖掘最细类规则集的算法，其中支持度和置信度的计算是基于粗糙集理论的下近似基本集。我们所提出的方法已被证明是非常有效的，其中粗糙集的类关联发现方法比经典的关联方法简单得多。
2015-09-17 cs.AI cs.DB
A comprehensive review of visualization methods for association rule mining: Taxonomy, Challenges, Open problems and Future ideas
University of Maribor（马里博尔大学）；Universidad de Alcalá（阿尔卡拉大学）
关联规则挖掘的目的是在事务数据库中搜索属性之间的关系。规则发现的整个过程是非常复杂的，涉及到预处理技术，规则挖掘步骤，和后处理，其中进行可视化。关联规则的可视化是整个关联规则挖掘流程中必不可少的一步，可以增强用户对规则挖掘结果的理解。在过去的几十年中，已经开发了一些关联规则挖掘和可视化方法。本文旨在创建一个文献综述，确定发表在同行评议文献中的主要技术，检查每种方法的主要特点，并介绍该领域的主要应用。确定这一研究领域的未来步骤是本文的另一个目标。
2023-02-24 cs.AI cs.DB
Hierarchical Approach for Online Mining--Emphasis towards Software Metrics
针对静态数据库中的关联规则挖掘，已经提出了几种多遍算法。然而，这样的算法不能在线处理交易流。在本文中，我们介绍了一个有效的单遍算法挖掘关联规则，给定了一个层次分类最重要的项目。处理效率是通过利用两个优化，层次意识的计数和事务减少，这成为可能的上下文中分层分类。本文考虑的问题，集成的约束条件，布尔表达式的存在或不存在的项目到关联发现算法。本文提出了三种基于项目约束的关联规则挖掘算法，并讨论了它们的优缺点。结果表明，在层次分类的背景下，复杂度的变化取决于继承树的深度（DIT）和孩子的数量（NOC）的措施。
2010-03-07 cs.DB
A Business Intelligence Model to Predict Bankruptcy using Financial Domain Ontology with Association Rule Mining Algorithm
今天，在每一个组织中，财务分析都为理解和评估业务运营的结果以及提供业务运营的基础。这意味着这些组织可以控制主要与公司融资有关的业务活动。其中一种方法是破产预测分析。本文通过分析企业财务报表的语义，建立了一个基于组织财务信息的本体模型。最好的破产预测模型之一是Altman Z评分模型。Altman Z评分法使用财务定额来预测破产。从金融本体模型出发，利用数据采掘算法发现金融数据之间的关系。将金融领域本体模型、关联规则挖掘算法和Zscore模型相结合，提出了一种新的商业智能模型来预测破产。
2011-09-06 cs.DB
Towards the Patterns of Hard CSPs with Association Rule Mining
Texas Tech University（德克萨斯理工大学）
有限域约束满足问题（CSP）的困难性是约束程序设计（CP）领域的一个重要研究方向。然而，这一问题尚未引起关联规则挖掘界研究人员的重视。关联规则挖掘作为一种流行的数据采掘技术，有着极其广泛的应用领域，已经成功地应用于许多交叉学科。在本文中，我们研究了关联规则挖掘技术，并提出了一种级联的方法来提取感兴趣的模式的硬CSP。据我们所知，这个问题是第一次研究与数据采掘技术。具体地说，我们通过求解所有CSP实例来生成随机CSP并收集其特征，然后对数据集应用数据采掘技术，进一步发现随机生成的CSP的硬度的有趣模式
2009-06-27 cs.AI cs.DB
Mining Transactional Data To Produce Extended Association Rules Using Collaborative Apriori, Fsa-Red And M5p Predictive Algorithm As A Basis Of Business Actions
本研究针对零售交易数据，结合M5P预测算法及聚类、时间序列模式技术更新并验证扩展关联规则，生成置信度≥70%的强规则，为业务行动提供依据。
2024-03-07 cs.DB
Association Rule Mining Based On Trade List
提出了一种基于频繁项集的挖掘算法。Apriori算法每次发现频繁项集时都要扫描数据库，因此非常耗时，而且每一步都要生成候选项集。在无向项集图中，它是对先验知识的改进，但生成树需要时间和空间。定义的算法在开始时只扫描数据库一次，然后从扫描的数据库中生成贸易清单。它包含了整个数据库的信息。它通过考虑最小支持度来寻找频繁项集，并通过考虑最小置信度来生成关联规则。当数据库和最小支持度发生变化时，新算法通过扫描交易列表来发现新的频繁项。因此，与传统算法相比，它的执行效率有了明显的提高。
2012-02-22 cs.DB
An Algorithm for Mining High Utility Closed Itemsets and Generators
传统的关联规则挖掘基于支持度-置信度框架，提供了用户感兴趣的规则的客观度量。然而，它并没有反映出规则的效用。在支持度-置信度框架下提取非冗余关联规则，频繁闭项集及其生成器起着重要的作用。为了提取高效用项集之间的非冗余关联规则，需要提取高效用闭项集（HUCI）及其生成元，以便应用传统的支持度-置信度框架。然而，目前还没有有效的方法来开采HUCI及其发电机。本文探讨了这一问题。一个后处理算法，称为HUCI-Miner，提出了挖掘HUCI与他们的发电机。所提出的算法是使用合成和真实的数据集。
2014-10-11 cs.DB
Discovering Categorical Main and Interaction Effects Based on Association Rule Mining
Zhejiang University（浙江大学）
随着数据集规模的不断扩大，特征选择变得越来越重要。考虑原始特征之间的相互作用会导致非常高的维数，特别是当特征是分类的并且应用独热编码时。这使得挖掘有用的特征以及它们之间的相互作用更有价值。关联规则挖掘旨在提取项目之间有趣的相关性，但很难将规则本身用作合格的分类器。从关联规则挖掘中得到启发，我们提出了一种方法，使用关联规则来选择功能和它们之间的相互作用，然后修改算法的几个实际问题。我们分析了该算法的计算复杂性，以证明其有效性。并通过一系列实验验证了该算法的有效性。
2021-04-10 cs.DB cs.LG
Association rule mining and itemset-correlation based variants
关联规则表达了项目集数据库中属性之间的隐含关系。提出了大多数关联规则挖掘算法的基础Apriori算法。它的工作原理是修剪掉不需要根据用户指定的最小支持置信度进行评估的规则。此外，算法的变化，使其能够处理定量属性和提取规则的概括项目，但保留向下关闭属性，使修剪。在特殊情况下，提出了扩展的相互转换。
2019-07-22 cs.DB cs.IR
A Comparative Study of Association Rule Mining Algorithms on Grid and Cloud Platform
关联规则挖掘是一个耗时的过程，由于涉及到数据密集型和计算密集型的性质。为了挖掘大数据量的序列关联规则，并提高现有算法的可扩展性和性能，并行和分布式算法被开发出来。这些传统的并行和分布式算法都是基于同构平台的，对于网格和云等异构平台来说并不有利可图。这就需要设计新的算法来解决异构系统中数据集的划分和分布、负载均衡策略、处理器间通信和同步技术的优化等问题。网格和云计算是新兴的分布式数据处理平台，各种关联规则挖掘算法在这些平台上被提出。这篇综述文章将分布式系统的简要架构方面，基于网格和基于云的关联规则挖掘算法的各种最新方法与比较感知相结合。我们区分这些架构上开发的数据局部性，编程范式，容错，通信成本，分区和分布的数据集的基础上的关联规则挖掘算法的方法。虽然它不是完整的，以涵盖所有的算法，但它可以是非常有用的新的研究人员在分布式关联规则挖掘算法的方向工作。
2017-09-22 cs.DB cs.DC
A Comparative Study of Discretization Approaches for Granular Association Rule Mining
粒度关联规则挖掘是一种新的关系型数据采掘方法，可以揭示隐藏在多个表中的模式。目前的粒度关联规则挖掘研究只考虑名义数据。在本文中，我们研究了离散化方法对从数值数据中挖掘语义更丰富和更强大的规则的影响。具体来说，等宽法和等频率法被采用和比较。区间数的设置是离散化方法中的一个关键问题，因此我们通过对一个著名的现实生活数据集的实验来比较不同的设置。实验结果表明：1）离散化是挖掘更强规则的有效预处理技术; 2）等频率方法比等宽方法有助于生成更多的规则; 3）通过一定的区间数设置，我们可以获得比其他方法更多的规则。
2012-12-12 cs.DB cs.IR
Efficient Incremental Breadth-Depth XML Event Mining
许多应用程序会连续记录大量事件。从日志事件中提取感兴趣的知识是数据采掘的一个新兴研究领域。在这种情况下，我们提出了一种方法，挖掘频繁事件和关联规则的XML格式的日志事件。该方法包括两个主要阶段：1）构造一种新的树结构FXT（Frequency XML-based Tree），其中包含待挖掘事件的频率; 2）使用XQuery查询构造的FXT，发现频繁项集和关联规则。FXT是用一次通过记录的数据构造的。我们实现了所提出的算法，并研究了各种性能问题。性能研究表明，该算法是有效的，无论是构造FXT和发现关联规则。
2011-10-14 cs.DB
uARMSolver: A framework for Association Rule Mining
本文提出了一种新的关联规则挖掘软件框架uARMSolver。该框架完全用C++编写，并在所有平台上运行。它允许用户在交易数据库中预处理数据，对数据进行离散化，搜索关联规则，并指导使用外部工具找到的最佳规则的呈现/可视化。与现有的软件包或框架相反，除了分类属性之外，它还支持数值和实值类型的属性。关联规则的挖掘被定义为一种优化，并使用自然启发的算法来解决，可以很容易地合并。由于算法通常会发现大量的关联规则，因此该框架可以模块化地包含所谓的可视化向导，用于提取隐藏在数据中的知识，并使用外部工具将其可视化。
2020-10-21 cs.DB cs.NE
Numerical Association Rule Mining: A Systematic Literature Review
Tallinn University of Technology（塔林理工大学）；University of Maribor（马里博尔大学）
本文通过系统性文献综述评估了68篇论文，全面分析了数值关联规则挖掘的方法、算法、数据集及研究现状，并提出了一种符合人类感知的新颖数值数据离散化度量方法。
2023-07-02 cs.DB cs.LG
Implementation of Association Rule Mining for Network Intrusion Detection
现代的入侵检测系统都是基于数据采掘和以数据库为中心的体系结构，其中出现了许多数据采掘技术，其中关联规则挖掘是数据采掘研究的重要内容之一。这种方法确定大型数据项集之间的有趣关系。这种技术最初被应用于所谓的购物篮分析，其目的是发现超市顾客的购物行为。与通常需要数百个属性的购物篮分析数据集相比，网络审计数据库面临数十个属性。针对事务数据库的这种特点，对传统的关联规则挖掘算法Apriori进行了改进。本文提出了一种改进的Apriori算法，该算法通过事务切割和散列，只需扫描网络审计数据库一次，在实际应用中非常有用。
2016-08-04 cs.CR cs.DB
Association Rules Mining with Auto-Encoders
Université Laval（拉瓦尔大学）
针对经典关联规则挖掘算法执行慢、规则冗余等问题，提出基于自动编码器的 ARM-AE 方法，在三个分类数据集上优于 FP-Growth 和 NSGAII。
2023-04-26 cs.DB cs.LG
Distance based prefetching algorithms for mining of the sporadic requests associations
针对读取请求间的偶发伪随机模式，本文提出轻量级的基于距离的DBSP预取算法族，在MSR traces上超越已有最佳结果，并给出偶发预取器性能比较流程。
2024-06-13 cs.DB
Mining Path Association Rules in Large Property Graphs (with Appendix)
Osaka University（大阪大学）；University of Copenhagen（哥本哈根大学）
本文提出路径关联规则挖掘问题，并开发算法PIONEER，利用反单调性剪枝和近似并行技术，在大型属性图中高效发现路径模式共现规律，实验验证其有效性和可扩展性。
2024-09-20 cs.AI cs.DB
A Recursive Algorithm for Mining Association Rules
挖掘频繁项集和关联规则是数据采掘和数据分析中的一项重要任务。在本文中，我们介绍PrefRec，一个递归算法，发现频繁项集和关联规则。它的主要优点是它对项目的递归性。当新项目被添加到数据库或当某些项目被排除时，它对于更新挖掘过程特别有效。我们提出了一个完整的逻辑算法，并给出了它的一些应用。在此基础上，我们对PrefRec的有效性进行了实验研究。我们首先比较了一些非常流行的频繁项集挖掘算法的执行时间。然后，我们做实验来测试我们的算法的更新能力。
2022-02-09 cs.DB math.ST stat.TH
Finding Maximal Non-Redundant Association Rules in Tennis Data
关联规则的概念在数据采掘中是众所周知的。但通常不考虑冗余和包容，标准方法产生数千甚至数百万的关联规则。如果没有进一步的信息或挖掘后的方法，那么这些大量的规则对于领域专家来说通常是无用的--这是臭名昭著的模式爆炸问题的一个实例。在这项工作中，我们提出了一个新的定义的冗余和包容的基础上的信心和支持的规则，并提出后挖掘修剪一组关联规则。在一个案例研究中，我们应用我们的方法从时空数据挖掘关联规则。这些数据表示网球比赛中球的轨迹-更准确地说，是网球击中地面的点/时间。我们的目标是分析球员的策略，并试图通过查看产生的关联规则来提高他们的表现。该方法具有一定的通用性，也可应用于具有类似结构的其他时空数据。
2019-09-03 cs.DB
Imprecise temporal associations and decision support systems
近年来，决策支持系统、人工智能和数据采掘在消费电子产品和日常生活中的快速和普遍渗透已经非常重要。用户体验等领域一直在促进这些技术集成到软件和硬件中，但后端处理仍然基于二进制基础。本文描述了一种挖掘数据流中事件之间不精确的时间关联的方法，同时考虑到近似的非常自然的概念。这种类型的关联分析可能会导致更有意义和可操作的决策支持系统。
2018-03-03 cs.DB
Granular association rules on two universes with four measures
关联规则揭示隐藏在多个表中的模式。现有的规则通常通过两个衡量标准进行评估，即支持度和信任度。然而，这两个指标可能不足以描述规则的强度。在本文中，我们介绍了粒度关联规则的四个措施，揭示了两个宇宙中的颗粒之间的连接，并提出了三个算法的规则挖掘。例如，“40%的男性喜欢至少30%的酒; 45%的顾客是男性，6%的产品是酒。这里45%、6%、40%和30%分别是源覆盖率、目标覆盖率、源置信度和目标置信度。通过这些措施，我们的规则比现有的规则在语义上更丰富。通过考虑对源/目标置信度的特殊要求，得到了三种规则子类型。然后，我们定义了一个规则挖掘问题，并设计了一个三明治算法，不同的子类型的规则检查方法。在真实世界数据集上的实验表明，专用于三种亚型的方法比一般情况下的方法快2-3个数量级。针对一个特定子类型的前向算法和后向算法可以进一步加快挖掘过程。本文的工作开辟了关系关联规则挖掘、粒计算和粗糙集的新的研究方向。
2016-01-28 cs.DB
Discovery of Maximal Frequent Item Sets using Subset Creation
数据采掘是从大量数据中发现数据模式的实践。数据采掘使用数学算法对数据进行分组并评估未来事件。关联规则是知识发现领域的一个研究方向。许多数据采掘研究者通过引入效用、销售商品数量等影响因素以及挖掘关联数据模式来提高关联规则的质量。在本文中，我们提出了一个有效的算法，首先找到最大频繁项集。大多数关联规则算法都是先找到最小频繁项，再借助最小频繁项集求出最大频繁项集，这样的方法在寻找最大频繁项集上花费了较多的时间。为了克服这个问题，我们提出了一种新的方法来寻找最大频繁项集直接使用子集的概念。所提出的方法被发现是有效的，在寻找最大频繁项集。
2013-02-07 cs.DB
MARC: Mining Association Rules from datasets by using Clustering models
University of Turkish Aeronautical Association（土耳其航空协会大学）
关联规则对于发现大型数据集中不同项目之间的关系非常有用，这些关系大多是隐藏的。符号模型是提取关联规则的主要工具。这种基本技术非常耗时，并且会生成大量的关联规则。为了克服这个缺点，我们提出了一种新的方法，称为MARC，提取两个重要级别的更重要的关联规则：类型I，和类型II。这种方法依赖于一个多地形无监督神经网络模型以及聚类质量的措施，评估一个给定的数值分类模型的成功表现为一个自然的符号模型。
2021-07-14 cs.DB cs.LG
MINE GRAPH RULE: A New Cypher-like Operator for Mining Association Rules on Property Graphs
本文提出MINE GRAPH RULE算子，用于在属性图上挖掘关联规则，定义了其语法语义并支持度量和置信度测量，基于Neo4j实现插件并验证了性能。
2025-07-15 cs.DB
Mining The Relationship Between Demographic Variables And Brand Associations
本研究旨在挖掘人口统计学变量与品牌联想之间的关系，并研究这些变量的相对重要性。这项研究是对约旦的快餐连锁店品牌进行的。结果排名和评估人口统计变量与所选样本的品牌关联。发现品牌协会根据人口变量揭示了约旦文化背景下的许多事实和联系。最后，提出了相应的建议，以使营销人员能够从中受益，从而建立他们的战略和指导他们的决策。同时，本研究所采用的数据采掘技术也反映了研究和分析营销样本的新趋势。
2013-10-08 cs.CY cs.DB
Mining User Behavioral Rules from Smartphone Data through Association Analysis
智能手机的日益普及及其强大的传感功能使得能够通过设备日志收集丰富的上下文信息和手机使用记录。本文阐述了利用智能手机数据挖掘个人手机用户的行为关联规则的问题。关联规则学习是利用大数据集发现规则的最流行的技术。然而，众所周知，产生的关联规则中有很大一部分是冗余的。这种冗余生产不仅使规则集不必要地庞大，而且使决策过程更加复杂和无效。在本文中，我们提出了一种方法，有效地识别冗余的关联，并提取一组简洁的行为关联规则是非冗余的。通过考虑个人用户的真实移动电话数据集来检验所提出的方法的有效性。
2018-03-19 cs.DB cs.SE
An Efficient Method for Mining Event-Related Potential Patterns
在本文中，我们提出了一个神经电磁本体框架（NOF）挖掘事件相关电位（ERP）模式以及过程。这项研究的目的是开发一个基础设施，挖掘，分析和共享ERP领域本体。本研究的成果是一个神经电磁知识系统。该框架分为5个阶段：1）数据预处理与准备; 2）数据采掘应用; 3）规则比较与评估; 4）关联规则后处理; 5）领域本体。在第五阶段，通过比较领域本体和专家规则的关联规则，发现一组新的隐藏规则。
2012-01-30 cs.DB
An Algorithm for Mining Multidimensional Fuzzy Association Rules
多维关联规则挖掘是在关系数据库中寻找不同维度或属性的值之间的有趣关系。在该方法中，相关性是在维度集合之间，即，形成规则的项目来自不同的维度。因此，每个维度都应该在模糊集级别上进行划分。提出了一种利用模糊集生成多维关联规则的新算法。针对由模糊事务组成的数据库，利用Apriory属性对无用的候选项集进行剪枝。
2009-09-28 cs.DB cs.IR
Foundation for Frequent Pattern Mining Algorithms Implementation
随着IT技术的发展，积累的数据量也在不断增加。这样，数据采掘的作用就显现出来了。关联规则挖掘是描述性技术的重要任务之一，它可以被定义为从大量数据中发现有意义的模式。频繁模式挖掘算法从数据库中确定频繁模式。频繁项集的挖掘是关联规则挖掘的基础部分。在过去的几十年中，已经提出了许多算法，主要有Apriori，直接哈希和修剪，FP-Growth，ECLAT等。本研究的目的是分析现有的频繁模式挖掘技术，并通过比较Apriori和DHP算法在候选生成，数据库和事务修剪方面的性能来评估它们。这为开发新的频繁模式挖掘算法奠定了基础。
2014-02-08 cs.DB
Association Rules Mining Based Clinical Observations
医疗机构以越来越多的方式丰富了患者疾病相关信息的存储库，通过进行关联分析可以更有用。数据采掘算法被证明是非常有用的探索有用的相关性，从较大的数据仓库。在本文中，我们已经实现了关联规则挖掘的基础上，一个新的想法，发现共同发生的疾病，由病人使用的医疗保健知识库。我们开发了一个临床状态相关预测（CSCP）的系统原型，它从患者的医疗数据库中提取数据，通过生成关联规则将OLTP数据转换为数据仓库。CSCP系统有助于揭示疾病之间的关系。CSCP系统预测原发性疾病（患者就医的疾病）和继发性疾病（由患有原发性疾病的同一患者携带的其他相关疾病）之间的相关性。
2014-01-11 cs.CE cs.DB
Mining Statistically Significant Attribute Associations in Attributed Graphs
最近，图已被广泛用于表示许多不同种类的真实世界数据或观察，诸如社交网络、蛋白质-蛋白质网络、道路网络等。图中的每一个节点都与它的一组属性相关联，在各种图挖掘中，不仅要考虑图的链接结构，而且要利用属性信息来获得更有意义的结果。任务大多数以前的工作与属性图考虑到会计属性关系之间的单独连接的节点。然而，找出哪些属性集相互关联以及它们是否具有统计学意义应该是非常有价值的。挖掘这些重要的关联，我们可以发现图中属性集之间的新关系。我们提出了一个算法，可以找到这些属性的关联高效，有效地，并显示实验结果，证实了所提出的算法的高适用性。
2016-09-27 cs.DB cs.SI
Integrating User's Domain Knowledge with Association Rule Mining
Chaudhary Devi Lal University（乔杜里·德维·拉尔大学）
本文提出了一种变体的Apriori算法，包括领域专家的作用，指导和加快整体知识发现任务。通常，用户感兴趣的是查找某些属性之间的关系，而不是整个数据集。此外，他可以帮助挖掘算法选择目标数据库，这反过来又需要更少的时间来找到所需的关联规则。标准Apriori和交互式Apriori算法的变体已经在人工数据集上运行。结果表明，在目标属性的选择中加入用户的偏好，有助于在空间和时间上有效地搜索关联规则。
2010-04-20 cs.AI cs.DB
Mining tree-query associations in graphs
Hasselt University（哈瑟尔特大学）；transnational University of Limburg（跨国林堡大学）
数据采掘的新应用，如在生物学、生物信息学或社会学中，都面临着以图的形式构造的大型数据集。我们介绍了一类新的树形模式称为树查询，并提出了算法挖掘树查询和树查询关联在一个大的数据图。我们的模式类的新颖之处在于，它们可以包含常量，并且可以包含在确定模式在数据图中出现的次数时不计数的存在节点。我们的算法有一些probableoptimality属性，这是基于合取数据库查询的理论。我们提出了一个实用的，面向数据库的SQL实现，并表明该方法在实践中的工作原理，通过实验的数据有关的食物网，蛋白质相互作用，和引文分析。
2010-08-16 cs.AI cs.DB
