關聯規(guī)則挖掘及貝葉斯網表示研究.pdf

1、隨著計算機和自動化數據采集的廣泛應用，在各種應用領域里的數據庫中存貯了大量的數據，這使得人們對這些數據進行分析并轉化為有用知識的需求變的越來越迫切。于是，數據庫中的知識發(fā)現(Knowledge Discovery in Databases．KDD)自然成為近年來人們從大型數據庫中獲取信息的一個重要研究領域。關聯規(guī)則分析是其中的一個重要分支，它用于發(fā)現存在于數據庫中的項或屬性間的有趣聯系，這些聯系是事先未知且隱藏的，即不能通過傳統的數據庫

2、邏輯操作或統計的方法得出。 關聯規(guī)則挖掘就是利用特定方法發(fā)掘數據庫中潛藏的關聯規(guī)則的過程。目前，面向傳統關聯規(guī)則即正關聯規(guī)則的挖掘已經有了很多成熟的、經典的算法，其中最為重要、最為經典也是最有影響力的兩種算法為Apriori算法和FP growth算法。這兩種算法在開采頻繁項目集集合時一個使用的是廣度優(yōu)先的搜索策略，一個使用的是深度優(yōu)先的搜索策略，二者各有優(yōu)缺，后來產生的種種算法大多是在這兩個算法的基礎上作的改進。 20

3、02年，XinDong Wu在傳統關聯規(guī)則的基礎上進行了擴展，提出了負關聯規(guī)則，即形如A=>-B，-A=>B，-A=-B的關聯規(guī)則，負關聯規(guī)則對事務集中項的狀態(tài)進行了擴展，它不僅研究各項出現之間的關系，還研究各項出現與不出現的關系。同傳統關聯規(guī)則挖掘相比，負關聯規(guī)則挖掘研究起步晚且難度更大，本文分析了負關聯規(guī)則挖掘的特點，比較了現有各種負關聯規(guī)則挖掘算法，在此基礎上，提出了一種能夠同時挖掘正、負關聯規(guī)則的算法，該算法是由Apriori改

4、進而來的，在尋找頻繁項目集的過程中將非項加入了迭代，在生成關聯規(guī)則的過程中又引入了興趣度標準來對挖掘得來的規(guī)則進行刪減。經過理論分析和實驗證明該種算法有效且可行。 關聯規(guī)則的形式簡單，應用起來高效、便捷，但是由于關聯規(guī)則不能表達不同規(guī)則之間的聯系，所以在某些比較復雜的應用領域中，當需要綜合考慮多種因素對結果的影響時，關聯規(guī)則的應用就比較困難。而貝葉斯網是一種圖型化的模型，能夠圖形化地表示一組變量間的聯合概率分布，所以在對節(jié)點狀態(tài)

5、進行推理的過程中，能夠綜合考慮各個因素(父節(jié)點)的影響，針對此種情況，本文提出了一種基于貝葉斯網的關聯規(guī)則表示方法，把關聯規(guī)則從數據中挖掘出來后，經過結構學習和條件概率表的學習，最終將原來的規(guī)則以貝葉斯網的形式表示。從而有效地擴展了關聯規(guī)則的應用。 已經證明，在一般的貝葉斯網上的推理問題是一個NP問題，按照本文前面所述的轉換方法得到的貝葉斯網滿足原因獨立性，所以本文介紹了一種采用原因獨立性對貝葉斯網變形的方法，在經過變形的貝葉斯