多数据库中负关联规则挖掘算法

doi:10.3778/j.issn.1002-8331.2009.24.044

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (24): 150-152.DOI: 10.3778/j.issn.1002-8331.2009.24.044

多数据库中负关联规则挖掘算法

尚世菊¹，董祥军¹，李杰²

1.山东轻工业学院信息科学与技术学院，济南 250353
2.广西大学数学与信息科学学院，南宁 530004

收稿日期:2008-05-08 修回日期:2008-08-05 出版日期:2009-08-21 发布日期:2009-08-21
通讯作者: 尚世菊

Algorithms for mining negative association rules in multi-database

SHANG Shi-ju¹，DONG Xiang-jun¹，LI Jie²

1.School of Information Science and Technology，Shandong Institute of Light Industry，Jinan 250353，China
2.College of Mathematics and Information Science，Guangxi University，Nanning 530004，China

Received:2008-05-08 Revised:2008-08-05 Online:2009-08-21 Published:2009-08-21
Contact: SHANG Shi-ju

摘要/Abstract

摘要： 现行的负关联规则挖掘主要是对于单一数据库的挖掘，但随着数据库技术的发展，多数据库挖掘越来越重要。当同时挖掘多数据库中的正负关联规则时，有可能会引起知识冲突问题，在前人对多数据库挖掘的基础上采用了一种关联规则合成模式，并利用相关性解决了知识冲突问题，最后用实验证明了该方法的正确性。

关键词: 负关联规则, 据挖掘, 数据库

Abstract: Nowadays the techniques of negative association rules mining focus on mono-database.With the rapid development of database technologies，multi-database mining is becoming more and more important.Knowledge conflicts within databases may occur when mining both the positive and negative association rules simultaneously.This paper proposes the model of synthesizing association rules and synthesis correlation to resolve conflicts on base of previous work on multi-database mining.The experimental results demonstrate that the algorithm is correct and effective.

Key words: negative association rules, ata mining, ulti-database

中图分类号:

TP311

尚世菊¹，董祥军¹，李杰². 多数据库中负关联规则挖掘算法[J]. 计算机工程与应用, 2009, 45(24): 150-152.

SHANG Shi-ju¹，DONG Xiang-jun¹，LI Jie². Algorithms for mining negative association rules in multi-database[J]. Computer Engineering and Applications, 2009, 45(24): 150-152.

[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]	张俊，廖雪花，余旭玲，雷蒙. 关系型数据库内存化存储模型研究[J]. 计算机工程与应用, 2021, 57(19): 123-128.
[4]	米珍美，赵恒斌，高攀. 基于ConvLSTM网络的维度情感识别模型研究[J]. 计算机工程与应用, 2021, 57(18): 289-296.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[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]	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.
[12]	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.
[13]	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.
[14]	孙敬成，王正彦，李增刚. 卷积神经网络数字识别系统的FPGA实现[J]. 计算机工程与应用, 2020, 56(13): 181-188.
[15]	孟海东1，2，孙新军2，宋宇辰1. 基于数据场的改进LOF算法[J]. 计算机工程与应用, 2019, 55(3): 154-158.

多数据库中负关联规则挖掘算法

Algorithms for mining negative association rules in multi-database

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