论文部分内容阅读
粗糙集理论是一种新的处理不确定性知识的数学工具。近年来,粗糙集理论在知识发现中的应用已取得了很大的进展,基于粗糙集理论的方法逐渐成为数据挖掘主流方法之一,而在数据挖掘的知识模式中,关联规则是比较重要的一种。关联规则挖掘就是在数据集中寻找给定项之间的有趣关系,而传统关联规则挖掘只能挖掘布尔型关联规则,且效率低。在信息系统中获得模板的基础上,基于粗糙集理论的关联规则挖掘,将可以挖掘更广泛的关联规则,并有助于提高所获规则的简洁性。
近年来,粗糙集理论在决策信息系统的属性约简和决策规则的抽取方面已取得很好的成果。本文借用粗糙集理论中α-约简的概念,提出了一种新的启发式关联规则挖掘算法,可以获取近似最优强关联规则。在已获得模板T和原信息表的基础上创建一张新的决策表,先通过将组成模板的描述子的知识量作为启发函数——知识量大的描述子优先成为候选α-约简集中的元素,再通过对候选α-约简集中的元素进行计数,从而选择满足阈值的约简集作为最终的近似最短α-约简,也即通过运用启发式算法求描述子集的近似最短α-约简来进行关联规则挖掘,最后通过“相关系数”对提取出的强规则进行筛选,以得到最终有趣的关联规则。通过示例,验证了本文提出的有关启发式算法相关理论,此法可以求得基于模板T的近似最短α-约简,快速挖掘出尽可能多的关联规则。本文提出的将粗糙集理论运用于关联规则挖掘的算法,弥补了经典关联规则挖掘方法的不足,有助于提高挖掘效率,拓宽关联规则挖掘范围。