论文部分内容阅读
数据库技术的逐渐成熟、网络技术的迅速普及和计算机硬件的不断出新,使人们采集数据的能力得到了极大的提高,从而导致了全球范围内数据存储量的急剧增大。为增强人们对这些海量数据的理解能力,数据挖掘技术近年来得到了快速发展。而关系数据库是众多行业和部门用于存储其生产、管理和科研等大量信息的重要形式,数据量的增长极为迅速。因此积极研究在关系数据库上的数据挖掘的有效技术具有极为广阔的发展前景。关联规则挖掘是数据挖掘的重要内容之一,1993年由Agrawal等人提出,它最初是以分析事务数据库中项与项之间联系为目标,后来的研究者们对问题原型进行了多方面的改进和扩充。关联规则挖掘问题通常分解成两步进行:(1)找出所有满足最小支持度的项集即频繁集;(2)从频繁集中提取出满足最小支持度和最小置信度的规则。其中最关键的一步是频繁集产生。本文在对Apriori等事务数据库中布尔型关联规则的典型算法进行分析后,提出了一种关系数据库中频繁集产生算法。该算法的核心是利用SQL语言的聚集查询和连接等语句对关系数据库进行操作,完成频繁项集的搜索过程。由于SQL语言对关系数据库操作的高效性和算法与数据库管理系统的紧密性,所以该算法具有较高的挖掘效率。对于第二步规则的生成,目前绝大多数的研究算法主要是挖掘正关联规则。实际上,挖掘正关联规则和负关联规则是同样重要的。为了满足数据关系的完备性,我们需要负关联规则。另外,如何度量关联规则的不确定性是关联规则挖掘研究中的重要问题之一。而支持度-置信度模型是关联规则挖掘普遍应用的模型。它采用sup(X→Y)和conf(X→Y)来度量关联规则的不确定性。然而用这一度量标准可能会得到诸如X→Y,但X与Y不相关(或独立)的规则。因此,仅用conf(X→Y)来度量关联规则的不确定性是不够的。本文基于统计学相关系数的概念,给出了一个能同时挖掘正关联规则和负关联规则的PR_NR算法,通过实验表明该算法是有效的。