基于圖的關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘并行算法的研究及其應(yīng)用.pdf

1、關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘的一個(gè)重要研究課題，它能從數(shù)據(jù)集中挖掘出數(shù)據(jù)項(xiàng)之間所存在的有價(jià)值的關(guān)聯(lián)，為人們進(jìn)行后期決策與分析提供有效的幫助。數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則挖掘算法包括經(jīng)典的Apriori算法以及高效率的FP-Growth算法，它們都是其他關(guān)聯(lián)規(guī)則挖掘算法的基石，其思想影響深遠(yuǎn)，由此也產(chǎn)生了許多在此二者基礎(chǔ)上的相關(guān)改進(jìn)算法，它們均有一定程度上的效率提升。目前，在關(guān)聯(lián)規(guī)則的研究領(lǐng)域更多的是應(yīng)用層面，用理論指導(dǎo)實(shí)踐，而在基礎(chǔ)算法理論方面的研究

2、相對(duì)較少。本文重點(diǎn)研究了基于圖的關(guān)聯(lián)規(guī)則挖掘算法，并在此基礎(chǔ)上進(jìn)行了改進(jìn)，提出一種高效的劃分和壓縮關(guān)聯(lián)圖的并行化算法，最終將其應(yīng)用于研究生教育信息數(shù)據(jù)庫中，得到一些具有指導(dǎo)意義的規(guī)則。概括起來，本文主要做了以下研究工作。
　　首先，提出一種基于圖的關(guān)聯(lián)規(guī)則挖掘并行化算法。本文研究和分析了基于圖的關(guān)聯(lián)規(guī)則挖掘算法（簡稱DLG）及其改進(jìn)算法（如DLG*）。并且，在此基礎(chǔ)上提出一種新穎的改進(jìn)思路，形成一種基于分治思想的改進(jìn)算法(簡稱PC

3、AG):先將關(guān)聯(lián)圖劃分為多個(gè)子關(guān)聯(lián)圖，然后結(jié)合一些壓縮和剪枝策略，分別挖掘各子關(guān)聯(lián)圖中的頻繁項(xiàng)集。進(jìn)一步研究與分析，本文對(duì)PCAG算法進(jìn)行改進(jìn)，最終形成一種并行化的關(guān)聯(lián)規(guī)則挖掘算法（簡稱PPCAG）。最后，對(duì)DLG算法、PCAG算法以及PPCAG算法的效率進(jìn)行比較，實(shí)驗(yàn)結(jié)果驗(yàn)證PPCAG算法的效率有顯著的提升。
　　其次，研究關(guān)聯(lián)規(guī)則挖掘應(yīng)用中的若干關(guān)鍵技術(shù)。一方面，研究關(guān)聯(lián)規(guī)則應(yīng)用數(shù)據(jù)預(yù)處理階段中的一些有用的技術(shù)，提出一種結(jié)合盒

4、圖與劃分聚類的概念分層技術(shù);另一方面，對(duì)通常的“支持度-置信度”規(guī)則評(píng)價(jià)框架進(jìn)行改進(jìn)，將余弦相似性、提升度以及簡潔度三種度量結(jié)合起來，一并作為支持度-置信度評(píng)價(jià)體系的有效補(bǔ)充，最終得到更完整、精確、易于理解的知識(shí)。
　　最后，應(yīng)用數(shù)據(jù)挖掘模型，得到具有指導(dǎo)意義的規(guī)則。本文將關(guān)聯(lián)規(guī)則挖掘算法應(yīng)用于研究生教育信息數(shù)據(jù)庫中，從教學(xué)質(zhì)量評(píng)價(jià)與學(xué)生培養(yǎng)管理兩個(gè)角度挖掘教育信息中有用的知識(shí)。然后利用本文提出的規(guī)則評(píng)價(jià)框架，對(duì)挖掘出的規(guī)則進(jìn)行分