基于剪枝概念格模型的頻繁項(xiàng)集表示及挖掘研究.pdf

1、數(shù)據(jù)挖掘是涉及人工智能和數(shù)據(jù)庫等學(xué)科的一門新興交叉性學(xué)科.在當(dāng)今數(shù)字化時(shí)代,各種商業(yè)、政治、科學(xué)數(shù)據(jù)庫和數(shù)據(jù)量的急劇增長,遠(yuǎn)遠(yuǎn)超過了人類目前已有的分析和理解能力.因此,從大量數(shù)據(jù)中智能地、自動(dòng)地提取出有價(jià)值的信息,即對數(shù)據(jù)庫進(jìn)行知識的挖掘,具有十分重要的理論意義和現(xiàn)實(shí)意義. 作為數(shù)據(jù)挖掘的一種重要模式,關(guān)聯(lián)規(guī)則一直受到廣泛的關(guān)注.發(fā)現(xiàn)頻繁項(xiàng)集是關(guān)聯(lián)規(guī)則挖掘的關(guān)鍵步驟.然而,大多數(shù)頻繁項(xiàng)集求解算法因需要產(chǎn)生大量候選集而降低了效率.

2、本文將具有完備特性的概念格模型引入到頻繁項(xiàng)集挖掘的研究,主要研究內(nèi)容如下: 1.提出了基于概念格模型的項(xiàng)目集表示和求解方法.研究表明,每個(gè)項(xiàng)目集一定作為概念格中某個(gè)概念的內(nèi)涵或內(nèi)涵的子集出現(xiàn),借助于概念之間的關(guān)系可從每個(gè)概念導(dǎo)出多個(gè)項(xiàng)目集,因此,概念格中概念的數(shù)量比事務(wù)數(shù)據(jù)庫中項(xiàng)目集的實(shí)際數(shù)量有顯著的減少. 2.提出了基于剪枝概念格(PCL)模型的頻繁項(xiàng)集表示和求解方法.利用概念間的關(guān)系性質(zhì),在不丟失信息的同時(shí)能有效壓縮