關(guān)聯(lián)規(guī)則挖掘及貝葉斯網(wǎng)表示研究.pdf

1、隨著計算機和自動化數(shù)據(jù)采集的廣泛應(yīng)用，在各種應(yīng)用領(lǐng)域里的數(shù)據(jù)庫中存貯了大量的數(shù)據(jù)，這使得人們對這些數(shù)據(jù)進行分析并轉(zhuǎn)化為有用知識的需求變的越來越迫切。于是，數(shù)據(jù)庫中的知識發(fā)現(xiàn)(Knowledge Discovery in Databases．KDD)自然成為近年來人們從大型數(shù)據(jù)庫中獲取信息的一個重要研究領(lǐng)域。關(guān)聯(lián)規(guī)則分析是其中的一個重要分支，它用于發(fā)現(xiàn)存在于數(shù)據(jù)庫中的項或?qū)傩蚤g的有趣聯(lián)系，這些聯(lián)系是事先未知且隱藏的，即不能通過傳統(tǒng)的數(shù)據(jù)庫

2、邏輯操作或統(tǒng)計的方法得出。 關(guān)聯(lián)規(guī)則挖掘就是利用特定方法發(fā)掘數(shù)據(jù)庫中潛藏的關(guān)聯(lián)規(guī)則的過程。目前，面向傳統(tǒng)關(guān)聯(lián)規(guī)則即正關(guān)聯(lián)規(guī)則的挖掘已經(jīng)有了很多成熟的、經(jīng)典的算法，其中最為重要、最為經(jīng)典也是最有影響力的兩種算法為Apriori算法和FP growth算法。這兩種算法在開采頻繁項目集集合時一個使用的是廣度優(yōu)先的搜索策略，一個使用的是深度優(yōu)先的搜索策略，二者各有優(yōu)缺，后來產(chǎn)生的種種算法大多是在這兩個算法的基礎(chǔ)上作的改進。 20

3、02年，XinDong Wu在傳統(tǒng)關(guān)聯(lián)規(guī)則的基礎(chǔ)上進行了擴展，提出了負(fù)關(guān)聯(lián)規(guī)則，即形如A=>-B，-A=>B，-A=-B的關(guān)聯(lián)規(guī)則，負(fù)關(guān)聯(lián)規(guī)則對事務(wù)集中項的狀態(tài)進行了擴展，它不僅研究各項出現(xiàn)之間的關(guān)系，還研究各項出現(xiàn)與不出現(xiàn)的關(guān)系。同傳統(tǒng)關(guān)聯(lián)規(guī)則挖掘相比，負(fù)關(guān)聯(lián)規(guī)則挖掘研究起步晚且難度更大，本文分析了負(fù)關(guān)聯(lián)規(guī)則挖掘的特點，比較了現(xiàn)有各種負(fù)關(guān)聯(lián)規(guī)則挖掘算法，在此基礎(chǔ)上，提出了一種能夠同時挖掘正、負(fù)關(guān)聯(lián)規(guī)則的算法，該算法是由Apriori改

4、進而來的，在尋找頻繁項目集的過程中將非項加入了迭代，在生成關(guān)聯(lián)規(guī)則的過程中又引入了興趣度標(biāo)準(zhǔn)來對挖掘得來的規(guī)則進行刪減。經(jīng)過理論分析和實驗證明該種算法有效且可行。 關(guān)聯(lián)規(guī)則的形式簡單，應(yīng)用起來高效、便捷，但是由于關(guān)聯(lián)規(guī)則不能表達不同規(guī)則之間的聯(lián)系，所以在某些比較復(fù)雜的應(yīng)用領(lǐng)域中，當(dāng)需要綜合考慮多種因素對結(jié)果的影響時，關(guān)聯(lián)規(guī)則的應(yīng)用就比較困難。而貝葉斯網(wǎng)是一種圖型化的模型，能夠圖形化地表示一組變量間的聯(lián)合概率分布，所以在對節(jié)點狀態(tài)

5、進行推理的過程中，能夠綜合考慮各個因素(父節(jié)點)的影響，針對此種情況，本文提出了一種基于貝葉斯網(wǎng)的關(guān)聯(lián)規(guī)則表示方法，把關(guān)聯(lián)規(guī)則從數(shù)據(jù)中挖掘出來后，經(jīng)過結(jié)構(gòu)學(xué)習(xí)和條件概率表的學(xué)習(xí)，最終將原來的規(guī)則以貝葉斯網(wǎng)的形式表示。從而有效地擴展了關(guān)聯(lián)規(guī)則的應(yīng)用。 已經(jīng)證明，在一般的貝葉斯網(wǎng)上的推理問題是一個NP問題，按照本文前面所述的轉(zhuǎn)換方法得到的貝葉斯網(wǎng)滿足原因獨立性，所以本文介紹了一種采用原因獨立性對貝葉斯網(wǎng)變形的方法，在經(jīng)過變形的貝葉斯