论文研究基于频繁项集筛选策略的关联规则挖掘算法 .pdf

在时间越近越重要原则指导下，对记录进行时间加权，通过给出加权的公式，提出了一种基于背景的加权关联规则挖掘方法。该算法可以针对用户感兴趣的时间-地点背景进行关联规则挖掘。相比传统挖掘方法，该方法通过从低

频繁闭项集的挖掘是发现数据项之间关联规则的一种有效方式.当前以MapReduce模式为基础的云计算平台为解决海量数据中的关联规则挖掘问题提供新的解决思路.文中提出并实现一种基于Hadoop云计算平台的

针对目前数据挖掘系统缺乏通用性和复用性的问题，对UML进行轻量级扩展，采用UMLProfile机制建立了一套关联规则挖掘元模型，实现了关联规则挖掘在概念层上的建模设计，取代了以往在具体的表结构和数据仓

频繁项集挖掘是关联规则挖掘的重要步骤。在数据动态变化的环境下进行关联规则挖掘具有重要的现实意义。提出一种动态频繁项集挖掘算法，该算法建立在前一阶段挖掘的基础上，能避免过多地扫描数据库而影响挖掘性能，在

提出了基于事务规则树改进的关联规则快速挖掘算法——FG算法。该算法不需要查找频繁项集，可直接求出所有无冗余的关联规则；将FG算法与其他算法进行实验比较，结果表明，FG算法在效率上优于其他算法，是有效的

datamining提供正负相关的数据关联原则

多层关联规则挖掘算法的研究的研究与应用，权威论文，希望给这方向的人带来好的东西

目前已经提出了许多用于高效地发现大规模数据库中的关联规则的算法，但都是对关联规则中满足最小支持度的 频繁项集的研究，没有对频繁项集中如何高效地计算得到满足最小置信度的关联规则进行研究。针对这种情况，提

随着数据的爆炸式增长，传统的算法已不能适应大数据挖掘的需要，需要分布式、并行的关联规则挖掘算法来解决上述问题。MapReduce是一种流行的分布式并行计算模型，因其使用简单、伸缩性好、自动负载均衡和自

Association Rules Mining Based on Apriori Algorithm