基于概念格的關(guān)聯(lián)規(guī)則挖掘在分層次教學(xué)中的應(yīng)用研究.pdf

1、數(shù)據(jù)庫知識發(fā)現(xiàn)是當(dāng)前人工智能研究中較為重要的一個(gè)領(lǐng)域，關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘中應(yīng)用最廣的。傳統(tǒng)的Apriori算法能產(chǎn)生所有的關(guān)聯(lián)規(guī)則，但數(shù)量龐大，冗余度高。Wille等在1982年提出的概念格是進(jìn)行數(shù)據(jù)挖掘和規(guī)則提取的一種有效工具。
　　在傳統(tǒng)概念格上，本文設(shè)計(jì)了一個(gè)提取關(guān)聯(lián)規(guī)則的算法。該算法并不是提取所有的規(guī)則，而是提取規(guī)則集中的一個(gè)子集，稱為組規(guī)則產(chǎn)生集。與所有規(guī)則的集合相比，它的規(guī)模大大減少了，相應(yīng)的挖掘效率提高了，但是從

2、中仍可推出所有滿足要求的規(guī)則。與傳統(tǒng)的概念格上提取規(guī)則算法相比，該算法最終不生成每個(gè)規(guī)則的支持度、信任度，僅生成滿足最小支持度、信任度的所有規(guī)則，但規(guī)則產(chǎn)生集的規(guī)模更小了，對于大型數(shù)據(jù)庫中的低信任度挖掘情況(規(guī)則數(shù)量多)可產(chǎn)生較少的規(guī)則產(chǎn)生集。這樣，提供給用戶的是較少的而且是容易理解的規(guī)則的集合，用戶可以根據(jù)自己的興趣有選擇地從產(chǎn)生集中推導(dǎo)出他需要的規(guī)則。存儲規(guī)則所用的存儲空間小，同時(shí)可提高推導(dǎo)規(guī)則時(shí)查找規(guī)則的速度。在產(chǎn)生組規(guī)則產(chǎn)生集的