發(fā)布時間：2019-06-20 03:32

【摘要】：關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘領(lǐng)域中的主要研究內(nèi)容之一。針對高維海量數(shù)據(jù)集,尤其當(dāng)支持度和置信度閾值太低時,將生成大量冗余和相似的關(guān)聯(lián)規(guī)則,從而對關(guān)聯(lián)規(guī)則的理解和使用造成了困難。本文采用改進(jìn)的K-means思想,給出了一種關(guān)聯(lián)規(guī)則聚類算法:首先重新定義了冗余關(guān)聯(lián)規(guī)則,并給出了刪除的方法;然后定義了一種新的規(guī)則間相似性度量;最后利用K-means思想,采用最大三角形方法選取聚類的初始點(diǎn),將相似的關(guān)聯(lián)規(guī)則歸為一類。實(shí)驗(yàn)驗(yàn)證該算法能夠幫助用戶快速有效地找到有用的關(guān)聯(lián)規(guī)則,提高了關(guān)聯(lián)規(guī)則的可理解性。
[Abstract]:Association rules are one of the main research contents in the field of data mining. For high dimensional massive data sets, especially when the support degree and confidence threshold are too low, a large number of redundant and similar association rules will be generated, which makes it difficult to understand and use association rules. In this paper, an improved K-means idea is used to propose an association rule clustering algorithm: firstly, redundant association rules are redefined and the method of deletion is given; then a new similarity measure between rules is defined; finally, using K-means idea, the maximum triangle method is used to select the initial points of clustering, and the similar association rules are classified into one category. Experiments show that the algorithm can help users find useful association rules quickly and effectively, and improve the comprehensibility of association rules.
【作者單位】： 太原科技大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院;
【分類號】：TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張濟(jì)強(qiáng);高玉良;;遺傳模擬退火算法在k-means聚類中的應(yīng)用[J];電腦知識與技術(shù);2012年07期

2 賈花萍;李堯龍;哈渭濤;史曉影;;K-means聚類神經(jīng)網(wǎng)絡(luò)分類器在睡眠腦電分期中的應(yīng)用研究[J];河南科學(xué);2012年06期

3 李學(xué)勇;高國紅;孫甲霞;;基于互信息和K-means聚類的信息安全風(fēng)險評估[J];河南師范大學(xué)學(xué)報(自然科學(xué)版);2011年02期

4 屈新懷;高萬里;丁必榮;李朕;;基于聚類數(shù)和初始值的K-means算法改進(jìn)研究[J];組合機(jī)床與自動化加工技術(shù);2011年04期

5 邊鵬;趙妍;蘇玉召;;一種改進(jìn)的K-means算法最佳聚類數(shù)確定方法[J];現(xiàn)代圖書情報技術(shù);2011年09期

6 宗瑜;金萍;李明楚;;BK-means:骨架初始解K-means[J];計算機(jī)工程與應(yīng)用;2009年14期

7 韓凌波;;一種新的K-means最佳聚類數(shù)確定方法[J];現(xiàn)代計算機(jī);2013年30期

8 李紅巖;胡林林;王江波;周紅芳;;基于K-means的最佳聚類數(shù)確定方法研究[J];電腦知識與技術(shù);2014年01期

9 王勇;唐靖;饒勤菲;袁巢燕;;高效率的K-means最佳聚類數(shù)確定算法[J];計算機(jī)應(yīng)用;2014年05期

10 呂強(qiáng),俞金壽;基于混合遺傳算法的K-Means最優(yōu)聚類算法[J];華東理工大學(xué)學(xué)報(自然科學(xué)版);2005年02期

相關(guān)會議論文 前4條

1 楊青;劉曄;張東旭;劉暢;;快速查找最優(yōu)初始聚類數(shù)K的改進(jìn)K-means算法[A];中國自動化學(xué)會控制理論專業(yè)委員會A卷[C];2011年

2 陳磊;胡佳敏;嚴(yán)華;;K-means算法在散貨船代貨運(yùn)系統(tǒng)中的應(yīng)用[A];全國第20屆計算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會議（CACIS·2009）暨全國第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會議論文集（上冊）[C];2009年

3 張望;王輝;;個性化服務(wù)中的并行K-Means聚類算法[A];2007年全國開放式分布與并行計算機(jī)學(xué)術(shù)會議論文集(下冊)[C];2007年

4 王守強(qiáng);朱大銘;史士英;;基于輸入點(diǎn)集求解k-Means聚類算法[A];第二十六屆中國控制會議論文集[C];2007年

相關(guān)碩士學(xué)位論文 前9條

1 丁斌;基于布谷鳥算法的K-means聚類挖掘算法研究[D];合肥工業(yè)大學(xué);2015年

2 許允棟;K-means聚類算法的改進(jìn)與應(yīng)用[D];廣西師范大學(xué);2015年

3 于洋洋;基于并行K-MEANS聚類分析的社群發(fā)現(xiàn)算法研究[D];東北大學(xué);2012年

4 崔曉麗;基于MapReduce的海量數(shù)據(jù)K-means聚類算法研究[D];大連理工大學(xué);2014年

5 高存彬;基于K-Means聚類法的水團(tuán)劃分算法和可視化研究[D];中國海洋大學(xué);2008年

6 劉建國;改進(jìn)的K-means算法及其在采油數(shù)據(jù)分析中的應(yīng)用[D];北京郵電大學(xué);2010年

7 陳翠卓;移動平臺下基于K-means的租房信息聚類算法研究與實(shí)現(xiàn)[D];華中師范大學(xué);2014年

8 高利軍;基于K-Means聚類算法的智能化站點(diǎn)設(shè)計與實(shí)現(xiàn)[D];河南科技大學(xué);2007年

9 時英晉;面向網(wǎng)頁內(nèi)容的K-means聚類算法的研究[D];東北大學(xué);2011年

，

本文編號：2502884