基于属性变化的增量关联规则挖掘

doi:10.3778/j.issn.1002-8331.2009.01.052

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (1): 166-169.DOI: 10.3778/j.issn.1002-8331.2009.01.052

• 数据库、信号与信息处理 • 上一篇下一篇

基于属性变化的增量关联规则挖掘

邵勇¹,陈波¹,方杰²,董鹏¹

1.大连大学信息工程学院，辽宁大连 116622
2.华能日照发电厂，山东日照 276826

收稿日期:2007-12-27 修回日期:2008-03-17 出版日期:2009-01-01 发布日期:2009-01-01
通讯作者: 邵勇

Incremental updating algorithm for mining association rules based on change in attributes

SHAO Yong¹,CHEN Bo¹,FANG Jie²,DONG Peng¹

1.Institute of Information Engineering，Dalian University，Dalian，Liaoning 116622，China
2.RiZhao Power Plant，Rizhao，Shandong 276826，China

Received:2007-12-27 Revised:2008-03-17 Online:2009-01-01 Published:2009-01-01
Contact: SHAO Yong

摘要/Abstract

摘要： 关联规则的挖掘是数据挖掘研究中的一个重要课题，目前已经提出了许多用于发现海量事务库中关联规则的算法以及更新已经发现的关联规则的算法。但是在关联规则的更新算法中，都是基于支持度变化和事务库变化的研究，目前没有人研究当事务库中的属性发生变化时，如何高效地更新关联规则的问题。针对这种情况，提出了三种基于属性变化的增量关联规则挖掘算法ACA+（Attribute Change Algorithm）和ACA-（ACA1-），从而解决了该问题。

关键词: 单属性, 数据挖掘, 增量式更新, 关联规则, 基于属性变化方法（ACA）

Abstract: Currently，mining association rules is a key problem in the field of data mining.Lots of algorithms for efficiently mining association rules or incremental updating association rules in large database have been proposed.However，all of them are based on changes in support or transaction database about the algorithms of updating association rules.No one does researches on how to effectively update association rules under changing the attributes in transaction database.Under this kind of situation，the paper proposes incremental updating algorithms for mining association rules based on the change in attributes，which are ACA+（Attribute Change Algorithm） and ACA-（ACA1-）.Therefore，it can solve the problem.

Key words: single attribute, data mining, incremental updating, association rules, Attribute Change Algorithm（ACA）

邵勇¹,陈波¹,方杰²,董鹏¹. 基于属性变化的增量关联规则挖掘[J]. 计算机工程与应用, 2009, 45(1): 166-169.

SHAO Yong¹,CHEN Bo¹,FANG Jie²,DONG Peng¹. Incremental updating algorithm for mining association rules based on change in attributes[J]. Computer Engineering and Applications, 2009, 45(1): 166-169.

[1]	宗晓萍，陶泽泽. 基于掌握速度的知识追踪模型[J]. 计算机工程与应用, 2021, 57(6): 117-123.
[2]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[3]	马洋，赵旭俊. 基于相关子空间的多源离群检测算法[J]. 计算机工程与应用, 2021, 57(17): 88-95.
[4]	张念蓬，吴旭，朱强. 基于熵的过采样框架[J]. 计算机工程与应用, 2021, 57(13): 96-101.
[5]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[6]	张振海，张湘婷. 上下文感知的高铁信息服务推荐方法研究[J]. 计算机工程与应用, 2021, 57(12): 231-236.
[7]	饶加旺，马荣华. 改进核密度估计的空间点密度算法[J]. 计算机工程与应用, 2021, 57(11): 260-265.
[8]	杨葛英，沈夏炯，史先进，张磊. 以概念格为背景的关联规则可视化[J]. 计算机工程与应用, 2021, 57(1): 84-91.
[9]	王杰，陈志刚，刘加玲，程宏兵. 基于聚类的云隐私行为挖掘技术[J]. 计算机工程与应用, 2020, 56(5): 80-84.
[10]	王子龙，李进，宋亚飞. 基于距离和权重改进的K-means算法[J]. 计算机工程与应用, 2020, 56(23): 87-94.
[11]	衣俊艳，吴博雅，雍巧玲. 具有加权特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(22): 55-65.
[12]	纪文璐，王海龙，苏贵斌，柳林. 基于关联规则算法的推荐方法研究综述[J]. 计算机工程与应用, 2020, 56(22): 33-41.
[13]	顾军华，苏鸣，张亚娟，张丹红. 基于位编码链表的快速频繁模式挖掘算法研究[J]. 计算机工程与应用, 2020, 56(19): 86-93.
[14]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[15]	刘莉萍1，章新友1，牛晓录2，郭永坤1，丁亮1. 基于Spark的并行关联规则挖掘算法研究综述[J]. 计算机工程与应用, 2019, 55(9): 1-9.

基于属性变化的增量关联规则挖掘

Incremental updating algorithm for mining association rules based on change in attributes

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics