摘要
[1] Agrawal R,Imielinski T,Swami AN。挖掘大型数据库中项目集之间的关联规则。 摘自:华盛顿特区SIGMOD会议记录; 1993年,第207-16页。 谷歌学者 数字图书馆 [2] Alcalá,J.,Sánchez,L.,García,S.,del Jesus,M.J.,Ventura,S.和Garrell,J.M.,KEEL:评估数据挖掘问题进化算法的软件工具。 软计算。 v13 i3。 307-318. 谷歌学者 [3] Bayardo RJ.Agrawal,R.挖掘最有趣的规则。 In:ACM关于知识发现和数据挖掘的会议记录SIGKDD,美国圣地亚哥; 1999年,第145-54页。 谷歌学者 数字图书馆 [4] Brin S、Motwani JD、Ulhman JD、Tsur S.市场基础数据的动态项目集计数和含义规则。 摘自:ACM SIGMOD国际数据管理会议记录。 亚利桑那州图森市; 1997年,第255-64页。 谷歌学者 数字图书馆 [5] Coenen,F.、Leng,P.和Ahmed,S.,关联规则挖掘的数据结构:T树和P树。 IEEE Trans Knowl Data Eng.第16版。 774-778. 谷歌学者 [6] Coenen,F.P.,Leng,P.和Goulbourne,G.,挖掘关联规则的树结构。 J Data Min Knowl光盘。 第8版i1。 25-51. 谷歌学者 [7] Coenen F,Leng P,Zhang,L.改进分类关联规则挖掘的阈值调整。 在:进行PAKDD,越南河内; 2005年,第216-25页。 谷歌学者 [8] García E.Romero C、Ventura S、Calders T。在学习管理系统中应用关联规则挖掘的缺点和解决方案。 参加:希腊克里特岛关于在电子学习中应用数据挖掘的国际研讨会; 2007年,第13-22页。 谷歌学者 [9] García E.Romero C、Ventura S、De Castro C、Calders T。学习管理系统中的关联规则挖掘。 收录:《教育数据挖掘手册》。 查普曼和霍尔/CRC数据挖掘和知识发现系列。 Taylor&Francis集团; 2010年,第93-106页。 谷歌学者 [10] Fukugana,K.,《统计模式识别导论》。 1990年,爱思唯尔。 谷歌学者 [11] Freire M,Rodríguez P.复杂超媒体结构可视化的基于图形的界面。 在:高级视觉界面工作会议记录,意大利加利波利; 2004年,第163-6页。 谷歌学者 数字图书馆 [12] García,E.,Romero,C.,Ventura,S.和de Castro,C.,一个协作教育协会规则挖掘工具。 互联网高等教育。 第14版i2。 77-88. 谷歌学者 [13] Ceglar,A.和Roddick,J.F.,协会采矿。 ACM计算调查。 v38 i2。 1-42. 谷歌学者 [14] Geng,L.和Hamilton,H.J.,《数据挖掘的有趣度量:一项调查》。 ACM计算调查。 第38版i3。 1-32. 谷歌学者 [15] Goethals B,Bussche J.关联规则的先验与后验过滤。 ACM SIGMOD数据挖掘和知识发现研究问题研讨会; 1999年,第1-5页。 谷歌学者 [16] 韩J,裴J,尹Y.挖掘无候选代的频繁模式。 附:美国德克萨斯州达拉斯ACM-SIGMOD国际数据管理会议记录; 2000年,第1-12页。 谷歌学者 交叉引用 [17] Huysmans J,Baesens B,Vantheenen J。使用规则提取提高预测模型的可理解性。 决策科学和信息管理部(KBI)K.U.Leuven KBI第0612号工作文件; 2006年,第1-56页。 谷歌学者 [18] Jain,A.K.、Murty,M.N.和Flynn,P.J.,《数据聚类:综述》。 ACM计算调查。 v31 i3。 264-323. 谷歌学者 [19] Koh Y,Rountree N.使用Apriori-Inverse寻找零星规则。 在:柏林举行的亚太知识发现和数据挖掘会议; 2005年,第97-106页。 谷歌学者 数字图书馆 [20] Ko,Y.和Rountree,N.,《稀有关联规则挖掘和知识发现》。 通知科学参考。 谷歌学者 [21] 刘斌,徐伟,马云。分类与关联规则挖掘的集成。 知识发现和数据挖掘国际会议; 1998年,第80-6页。 谷歌学者 [22] Liu,Y.和Salvendy,G.,促进关联规则建模的可视化:综述。 人类工效学IJE&HF.v1。 11-23. 谷歌学者 [23] MacQueen J.多元观测分类和分析的一些方法。 第五届伯克利数理统计与概率研讨会论文集。 美国加利福尼亚州; 1967年,第281-97页。 谷歌学者 [24] Rodgers,J.L.和Nicewander,W.A.,研究相关系数的十三种方法。 美国统计师。 第42.59-66节。 谷歌学者 [25] Romero C、Romero JR、Luna JM、Ventura S.从电子学习数据中挖掘罕见的关联规则。 教育数据挖掘国际会议论文集。 匹兹堡; 2010年,第171-80页。 谷歌学者 [26] Romero,C.、Ventura,S.和de Bra,P.,《利用遗传编程进行知识发现,为课件作者提供反馈》。 用户模型用户自适应交互。 第14版i5。 425-465. 谷歌学者 [27] Silberschatz,A.和Tuzhilin,A.,是什么使模式在知识发现系统中变得有趣。 IEEE Trans Knoll数据工程v8 i6。 970-974. 谷歌学者 [28] Szathmary L,Napoli A.Valtchev,P.走向稀有项目集开采。 参加:人工智能工具国际会议,华盛顿特区; 2007年,第305-12页。 谷歌学者 数字图书馆 [29] Tan P,Kumar V.关联模式的有趣度量。 摘自:美国波士顿KDD机器学习和数据挖掘后处理研讨会论文集; 2000年,第1-9页。 谷歌学者 [30] Witten IH,Frank E.数据挖掘。 具有java实现的实用机器学习工具和技术,Morgan Kaufmann; 1999 谷歌学者 [31] Zaki MJ,Phoophakdee B.MIRAGE:挖掘、探索和可视化最小关联规则的框架。 技术报告03-4,纽约州特洛伊伦斯勒理工学院计算机科学系; 2003 谷歌学者 [32] Zhang H,Zhao Y,Cao L,Zhang C,Bohoscheid,H。具有多个不平衡属性的稀有类关联规则挖掘。 稀有关联规则挖掘与知识发现,《信息科学参考》; 2009 谷歌学者
建议
维护中的规则挖掘:分析大型知识库 亮点 从数据库中提取知识对工业界越来越感兴趣。 大多数研究建议限制生成规则的数量,以便于分析。 我们展示了如何使用简单的工具轻松利用数千条规则。
摘要 关联规则挖掘是从工业数据库中包含的记录中提取知识的一个非常强大的工具。 一个困难是,挖掘过程可能会产生大量难以分析的规则。 这个问题是。。。 基于可视化聚类的apriori ARM质量关联规则获取方法 VINCI’17:第十届视觉信息传播与交互国际研讨会论文集 Apriori关联规则挖掘(ARM)是一种流行的数据挖掘技术,用于从频繁项集导出关联规则,具有悠久的历史。 尽管它很受欢迎,但它的性能仍受到可伸缩性瓶颈的影响。 多次尝试。。。