劉小燕 王 健

1(河南理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 河南 焦作 454000)2(河南理工大學(xué)安全科學(xué)與工程學(xué)院 河南 焦作 454000)

0 引 言

關(guān)聯(lián)規(guī)則挖掘算法是數(shù)據(jù)挖掘算法的一種，對(duì)于分布式數(shù)據(jù)，主要考慮算法的效率。不同站點(diǎn)的數(shù)據(jù)，事務(wù)分布在不同的站點(diǎn)，而垂直分布中，項(xiàng)集在站點(diǎn)之間被分割?；贏priori的FDM算法(快速分布式挖掘)，主要致力于減少計(jì)算項(xiàng)目支持度時(shí)的通信交換[1]。CDA(計(jì)數(shù)分布算法)提出，對(duì)于每個(gè)可用的處理器，將分區(qū)挖掘過(guò)程并行化，從分布式數(shù)據(jù)中提取規(guī)則[3]。ODAM算法主要針對(duì)地理上分布的數(shù)據(jù)集，盡量減少交換信息的數(shù)量[4]。并行關(guān)聯(lián)規(guī)則挖掘算法在不同的站點(diǎn)之間劃分?jǐn)?shù)據(jù)，而分布式關(guān)聯(lián)規(guī)則挖掘算法每個(gè)站點(diǎn)單獨(dú)執(zhí)行任務(wù)但需要訪問(wèn)整個(gè)數(shù)據(jù)集。分布式關(guān)聯(lián)規(guī)則挖掘主要目的是減少通信成本。

元規(guī)則是一個(gè)模板，用于指導(dǎo)關(guān)聯(lián)規(guī)則提取過(guò)程[5]。臨時(shí)元規(guī)則指的是第2次推理過(guò)程中發(fā)現(xiàn)的臨時(shí)規(guī)則(一階規(guī)則)[2]，表示形式為(A→B)。有些工作是從關(guān)聯(lián)規(guī)則中挖掘模糊規(guī)則，在不同的時(shí)間段為每個(gè)關(guān)聯(lián)規(guī)則賦一系列支持度和置信度值[6]。模糊元規(guī)則用于捕獲隨著時(shí)間的推移關(guān)聯(lián)規(guī)則的變化，從而得到模糊元規(guī)則的類型：t1時(shí)段支持度變化=相對(duì)降低→下一時(shí)段支持度變化=高度降低，使用模糊集手工定義適當(dāng)?shù)恼Z(yǔ)言標(biāo)簽。

傳統(tǒng)的挖掘算法，對(duì)規(guī)模較大的數(shù)據(jù)進(jìn)行整體決策時(shí)較困難，因此，本文提出了一種二階挖掘方法，兩步使用關(guān)聯(lián)規(guī)則來(lái)獲取元關(guān)聯(lián)規(guī)則。元規(guī)則的前件或后件是關(guān)聯(lián)規(guī)則，不考慮支持度/置信度值序列。和先前工作相比，本文提出的方法有如下好處：由于能從多個(gè)數(shù)據(jù)集中提取規(guī)則，并進(jìn)行二次挖掘，使元規(guī)則能表達(dá)新的普通規(guī)則不能表達(dá)的相關(guān)信息；該算法產(chǎn)生一組更易于人工檢查管理的規(guī)則集；允許將上下文信息以更人性化的方式合并到挖掘過(guò)程。

1 基于層次理論的模糊關(guān)聯(lián)規(guī)則

模糊集應(yīng)用于關(guān)聯(lián)分析有兩種方法：(1) 從清晰關(guān)系數(shù)據(jù)庫(kù)或量化數(shù)據(jù)集提取模糊關(guān)聯(lián)；(2) 分析模糊事務(wù)。一般來(lái)說(shuō)，方法1中模糊集允許通過(guò)語(yǔ)言標(biāo)簽定義屬性值的軟區(qū)間邊界，這種方法可用不同的粒度級(jí)別表示規(guī)則。方法2中，數(shù)據(jù)以模糊事務(wù)數(shù)據(jù)庫(kù)的形式提供，即事務(wù)項(xiàng)目在一定程度上滿足。本文主要考慮方法2，數(shù)據(jù)以模糊事務(wù)數(shù)據(jù)庫(kù)的形式表示，即事務(wù)中的項(xiàng)目在一定程度上滿足。

層次理論模型[6]認(rèn)為，項(xiàng)i∈I，項(xiàng)目集A?I，基于模糊數(shù)據(jù)庫(kù)的層次理論表示(∧A,ρA)。其中，∧A={α1,α2,…,αm},1=α1>α2>…>αm>0，是預(yù)先定義的層次集，ρA(α)={τ∈：τ(A)≥α}是一個(gè)將每個(gè)層次應(yīng)用于清晰的實(shí)現(xiàn)中的函數(shù)。

MαiB┐BAaibi┐Acidi

其中，ai,bi,ci和di為非負(fù)整數(shù)，ai=|ρA∧B(αi)|，bi=|ρA∧┐B(αi)|，ci和di類似。為了評(píng)價(jià)模糊關(guān)聯(lián)規(guī)則的有效性，可以使用基本的概率分布概括每一個(gè)興趣度度量，基本的概率分布定義如下：

Y必須是至少一個(gè)a∈∧的原象。支持度、置信度和確定性因素分別都是方程?！牡扔?可以得到清晰方法的值。

FCF(A→B)=

當(dāng)|ρA(αi)|=0時(shí)，置信度的計(jì)算可能有不確定的形式“0/0”，若不存在滿足前件的事務(wù)時(shí)這種情況便會(huì)發(fā)生。為保持模糊規(guī)則的定義，給不確定性賦值。對(duì)于確定性因素FCF，層次理論的項(xiàng)目集都需要標(biāo)準(zhǔn)化，即A或B必須滿足在層次a=1至少有一個(gè)事務(wù)，如果不，它們的滿足程度應(yīng)當(dāng)用A或B達(dá)到的最大值來(lái)標(biāo)準(zhǔn)化。

2 基于元關(guān)聯(lián)規(guī)則挖掘信息

使用元關(guān)聯(lián)規(guī)則的目的是將地理上分布或者因?yàn)榇鎯?chǔ)、安全或其他原因而水平分區(qū)的數(shù)據(jù)庫(kù)中的信息進(jìn)行融合。在這兩種情況下，我們想要發(fā)現(xiàn)從單個(gè)主要的數(shù)據(jù)集中提取的關(guān)聯(lián)規(guī)則之間的關(guān)聯(lián)。當(dāng)數(shù)據(jù)集非常大、復(fù)雜且異質(zhì)的情況下這非常有用。比如，數(shù)據(jù)集類型，數(shù)據(jù)庫(kù)收集不同來(lái)源的傳感器數(shù)據(jù)(如燈光、移動(dòng)傳感器、視頻)，數(shù)據(jù)被劃分在不同的采集或存儲(chǔ)區(qū)。為了得到有意義的相同類型項(xiàng)目的元規(guī)則，主要的數(shù)據(jù)集必須有相似的結(jié)構(gòu)和語(yǔ)義，但它們的結(jié)構(gòu)不需要完全相同。

下面舉例說(shuō)明這個(gè)問(wèn)題。假設(shè)有一個(gè)多分支組織，如銀行，全國(guó)有幾個(gè)分行。數(shù)據(jù)存儲(chǔ)在各自的分行，這些分行有相似的結(jié)構(gòu)。組織感興趣的是根據(jù)客戶的數(shù)據(jù)分析其利潤(rùn)。有兩種選擇：(1) 對(duì)數(shù)據(jù)進(jìn)行全局分析，即合并所有的局部數(shù)據(jù)，編譯成一個(gè)大的數(shù)據(jù)集，分析整個(gè)數(shù)據(jù)；(2) 對(duì)從各個(gè)分部的數(shù)據(jù)獲取的局部模式進(jìn)行分析獲取相關(guān)信息。若用第2種方法，檢查的規(guī)則數(shù)量將會(huì)非常多。為此，本文提出了元規(guī)則以便于第2種情況下進(jìn)行分析。通過(guò)元規(guī)則進(jìn)行挖掘有以下優(yōu)點(diǎn)：不需要處理整個(gè)數(shù)據(jù)集，可以提高效率；可以使用從單個(gè)數(shù)據(jù)庫(kù)獲取的模式，減少規(guī)則挖掘過(guò)程的時(shí)間，在多數(shù)情況下，可以獲取一個(gè)較小的、便于檢查的規(guī)則集；所有數(shù)據(jù)源不需要有完全一致的結(jié)構(gòu)；元規(guī)則便于在更加抽象的層次上分析，因?yàn)槲覀冄芯康氖且?guī)則之間的不同而不是數(shù)據(jù)之間的不同；元規(guī)則便于將上下文知識(shí)合并到挖掘過(guò)程，例如部門選址時(shí)關(guān)于地方的人口結(jié)構(gòu)或經(jīng)濟(jì)數(shù)據(jù)。但是，因?yàn)樵?guī)則分析是基于已有的摘要數(shù)據(jù)(關(guān)聯(lián)規(guī)則形式)進(jìn)行的，所以難免會(huì)丟失一些信息。

2.1 元關(guān)聯(lián)規(guī)則挖掘過(guò)程

圖1 原始數(shù)據(jù)集到最終的元關(guān)聯(lián)規(guī)則挖掘過(guò)程

Step1{D1,D2,…,Dk}是數(shù)據(jù)庫(kù)集，共享部分屬性。將規(guī)則提取過(guò)程應(yīng)用到每個(gè)數(shù)據(jù)庫(kù)后，可以獲取每個(gè)數(shù)據(jù)庫(kù)Di的關(guān)聯(lián)規(guī)則Ri。然后，在關(guān)聯(lián)規(guī)則R1,R2,…,Rk中就可以得到信息和它們的評(píng)價(jià)值。R1,R2,…,Rk規(guī)則的數(shù)量可以不同，每個(gè)規(guī)則的前件或后件中的項(xiàng)目數(shù)也可以不同。值得注意的是，Ri可能會(huì)有共同的規(guī)則。不失一般性，假定處理每個(gè)數(shù)據(jù)集時(shí)，使用相同的最小支持度和確定性因素值。

2.2 清晰元關(guān)聯(lián)規(guī)則

表1 布爾數(shù)據(jù)庫(kù)的例子

得到3種類型的元關(guān)聯(lián)規(guī)則：(1)ari=>arj,ari和arj是規(guī)則的合取(或一個(gè)規(guī)則，當(dāng)ar只涉及一個(gè)規(guī)則時(shí))。例如，若ari=r1∧r3，arj=r2，則r1∧r3=>r2是個(gè)元關(guān)聯(lián)規(guī)則。(2)atsi=>atsj,atsi和atsj是屬性的合取(或一個(gè)屬性，當(dāng)ats只包含一個(gè)屬性時(shí))。(3)ari=>atsj∧ark或者atsj∧ark=>ari，ari和ark是規(guī)則的合取，atsj是屬性的合取，它們可以混合。例如，我們可以發(fā)現(xiàn)一個(gè)形式為r1∧at2=>r3∧at4的元關(guān)聯(lián)規(guī)則。

此過(guò)程有一定的局限性，因?yàn)椴皇占锌捎眯畔?即規(guī)則的支持度和有效性)，只考慮規(guī)則先前是否從數(shù)據(jù)庫(kù)中挖掘，這意味著不同強(qiáng)度的普通規(guī)則(CF(ri)>>CF(rj))在布爾元數(shù)據(jù)庫(kù)中重要性相同。為了解決這個(gè)問(wèn)題，可使用區(qū)間將評(píng)估測(cè)試合并到元數(shù)據(jù)庫(kù)，得到的項(xiàng)目形式為。例如，若使用CF，區(qū)間為[minCF,1]的子集，項(xiàng)目形式為，其中CFj∈[minCF, 1]，j=1，2。然而，由于清晰的區(qū)間邊界，這種方法是有問(wèn)題的。例如，若CF(ri)=0.75，CF(rj)=0.76，區(qū)間為(0.5,0.75]和(0.75,1]，則CF值將落在不同的區(qū)間盡管它們非常接近。為此，我們考慮將模糊事務(wù)作為元規(guī)則提取過(guò)程的輸入，使用層次理論框架管理。

2.3 使用層次理論的模糊元關(guān)聯(lián)規(guī)則

模糊事務(wù)包括項(xiàng)目的模糊子集，每個(gè)項(xiàng)目的度被解釋為其對(duì)事務(wù)的隸屬度[8]。在模糊元數(shù)據(jù)庫(kù)中，事務(wù)是初始數(shù)據(jù)庫(kù)Di，項(xiàng)目是發(fā)現(xiàn)的規(guī)則rj∈Ri。這樣，一致使用評(píng)價(jià)值，確定性因素作為數(shù)據(jù)集中規(guī)則的可滿足度。表2描述了模糊元數(shù)據(jù)庫(kù)的一般形式。(i,j)處的值，即第Di行第rj列為數(shù)據(jù)庫(kù)Di中規(guī)則rj的確定性因素。與清晰情況相比，模糊元數(shù)據(jù)庫(kù)的取值在單位區(qū)間，更具體地說(shuō)，在區(qū)間[minCF, 1]。清晰和模糊屬性可提供額外的信息，描述原始數(shù)據(jù)庫(kù)的一些特征信息。模糊集適合表示不精確的性質(zhì)。

表2 模糊數(shù)據(jù)庫(kù)的例子

模糊元數(shù)據(jù)庫(kù)一旦建立，就可以使用模糊關(guān)聯(lián)規(guī)則挖掘算法獲取模糊元規(guī)則。本文使用層次理論框架，考慮支持度(FSupp)和確定性因素(FCF)措施。與清晰情況相似，模糊元規(guī)則也分為3種不同的類型：只與規(guī)則或規(guī)則的合取相關(guān)的模糊元規(guī)則；只與屬性或?qū)傩缘暮先∠嚓P(guān)的模糊元規(guī)則；與規(guī)則和屬性的合取相關(guān)的模糊元規(guī)則。

模糊元規(guī)則和清晰元規(guī)則相比，它們的發(fā)現(xiàn)方式不同，采用了不同的信息(數(shù)據(jù)庫(kù)的規(guī)則評(píng)價(jià)度)和合適的評(píng)價(jià)措施(FSupp、FCF)。需要注意的是，提取的模糊元規(guī)則表示的關(guān)聯(lián)在原始數(shù)據(jù)庫(kù)中具有很高的可信度，而使用清晰方法只表示該規(guī)則存在[9]。

3 算 法

文獻(xiàn)[10]中可以找到一些方法發(fā)現(xiàn)清晰或模糊關(guān)聯(lián)規(guī)則。大多數(shù)算法分為兩步：第1步，計(jì)算頻繁項(xiàng)集或候選項(xiàng)集。第2步，提取超過(guò)用戶定義的精度閾值的規(guī)則。第1步計(jì)算代價(jià)太高，已經(jīng)提出了很多不同的策略和啟發(fā)法來(lái)減少挖掘過(guò)程中的時(shí)間消耗。有些文獻(xiàn)使用二進(jìn)制形式表示項(xiàng)目來(lái)加速合取的計(jì)算。使用二進(jìn)制表示，內(nèi)存占用不高，減少了系統(tǒng)的內(nèi)存需求。

圖2 元關(guān)聯(lián)規(guī)則挖掘算法的盒圖表示

圖3 基于層次理論的模糊關(guān)聯(lián)規(guī)則挖掘算法

4 實(shí) 驗(yàn)

實(shí)驗(yàn)環(huán)境為：奔騰雙核處理器2.5 GHz，3 GB內(nèi)存，Windows 7，Java 8。為了獲得可讀的規(guī)則，在第1步中限制前件有一個(gè)項(xiàng)，后件有一個(gè)項(xiàng)。對(duì)于元關(guān)聯(lián)規(guī)則，允許前件和后件最多有兩個(gè)項(xiàng)。本文所用實(shí)驗(yàn)數(shù)據(jù)為：(1) 合成數(shù)據(jù)集：規(guī)模小，包含人工數(shù)據(jù)，劃分為8個(gè)數(shù)據(jù)庫(kù)，每個(gè)數(shù)據(jù)庫(kù)包含15個(gè)事務(wù)和6個(gè)屬性，每個(gè)屬性有6個(gè)不同的可能取值，從而可以得到36個(gè)形式為<屬性，值>的項(xiàng)。這主要用來(lái)區(qū)分傳統(tǒng)關(guān)聯(lián)規(guī)則挖掘算法和本文提出的元關(guān)聯(lián)規(guī)則挖掘算法的不同。(2) 真實(shí)數(shù)據(jù)集：包含南京市警區(qū)2010年的犯罪記錄以及犯罪事件發(fā)生時(shí)附近街坊的社交經(jīng)濟(jì)數(shù)據(jù)。選擇了6個(gè)屬性：季度、日期、犯罪描述、位置、逮捕、家庭犯罪。數(shù)據(jù)集由23個(gè)數(shù)據(jù)庫(kù)組成，每個(gè)數(shù)據(jù)庫(kù)包含一個(gè)警區(qū)的事務(wù)。元數(shù)據(jù)庫(kù)增加了警區(qū)范圍內(nèi)學(xué)校的一些屬性，如學(xué)生數(shù)、違紀(jì)數(shù)、安全系數(shù)(見(jiàn)表3)。(3)合成數(shù)據(jù)集用于可擴(kuò)展：從南京市數(shù)據(jù)集(見(jiàn)表4)隨機(jī)生成10個(gè)合成數(shù)據(jù)庫(kù)，命名為1X-合成、2X-合成、3X-合成、4X-合成、5X-合成、6X-合成、7X-合成、8X-合成、9X-合成、10X-合成。2X-合成數(shù)據(jù)庫(kù)包含的事務(wù)數(shù)是1X-合成數(shù)據(jù)庫(kù)的兩倍，3X-合成數(shù)據(jù)庫(kù)包含的事務(wù)數(shù)是1X-合成數(shù)據(jù)庫(kù)的3倍，其他合成數(shù)據(jù)庫(kù)包含的事務(wù)數(shù)以此遞推。

表3 增加的額外屬性描述

表4 南京市數(shù)據(jù)集

通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，實(shí)驗(yàn)1發(fā)現(xiàn)的某些規(guī)則和單獨(dú)從8個(gè)數(shù)據(jù)集中的每2個(gè)數(shù)據(jù)集發(fā)現(xiàn)的規(guī)則相同，它們也在實(shí)驗(yàn)2發(fā)現(xiàn)的某些元關(guān)聯(lián)規(guī)則中出現(xiàn)。如，規(guī)則r1(i1->i2)為實(shí)驗(yàn)1發(fā)現(xiàn)的規(guī)則，r1有可能出現(xiàn)在實(shí)驗(yàn)2發(fā)現(xiàn)的元關(guān)聯(lián)規(guī)則的前件或后件中，如r1∧at1=>r2。這種現(xiàn)象很容易理解，因?yàn)橐粋€(gè)規(guī)則若在大多數(shù)數(shù)據(jù)庫(kù)中被發(fā)現(xiàn)，那么在合成數(shù)據(jù)庫(kù)中也很容易被發(fā)現(xiàn)。

然而，從實(shí)驗(yàn)1中獲取的許多規(guī)則沒(méi)有出現(xiàn)在實(shí)驗(yàn)2的任何元規(guī)則中。原因是在合成數(shù)據(jù)庫(kù)中，總的支持度和確定值較高超過(guò)了閾值，而在分離的數(shù)據(jù)集中，事務(wù)只在某些分離的數(shù)據(jù)集中滿足規(guī)則，所以它們沒(méi)有出現(xiàn)在實(shí)驗(yàn)2的任何元規(guī)則中。此外，有許多規(guī)則出現(xiàn)在實(shí)驗(yàn)2的元規(guī)則中但是并未出現(xiàn)在實(shí)驗(yàn)1中，這也是合理的，因?yàn)椴煌臄?shù)據(jù)集中獲取的規(guī)則其支持度和確定值可能低于合成數(shù)據(jù)庫(kù)規(guī)定的閾值。

2) 真實(shí)數(shù)據(jù)結(jié)果 通過(guò)合并所有分區(qū)數(shù)據(jù)，構(gòu)建了幾個(gè)實(shí)驗(yàn)。問(wèn)題是如何合并表3中的額外屬性信息，這些信息已經(jīng)被分區(qū)數(shù)據(jù)合并，若把它們作為新事務(wù)添加到合成數(shù)據(jù)庫(kù)中沒(méi)有多大意義，因此可以作為新項(xiàng)目添加。由于每個(gè)區(qū)只有一個(gè)值，所以相同分區(qū)的所有事務(wù)重復(fù)相同值。比較了合并額外屬性和不合并額外屬性兩種情形下合成數(shù)據(jù)庫(kù)中獲取的規(guī)則。圖4顯示了支持度和確定值取不同閾值時(shí)的結(jié)果，從圖中可以發(fā)現(xiàn)，添加額外屬性可以發(fā)現(xiàn)更多的關(guān)聯(lián)規(guī)則。

圖4 minCF不同時(shí)合成數(shù)據(jù)庫(kù)獲取的規(guī)則數(shù)

第二組實(shí)驗(yàn)主要分析清晰和模糊元規(guī)則挖掘方法的性能。將支持度閾值分別設(shè)為0.1和0.05，圖5和圖6顯示了當(dāng)確定性因素的閾值取為{0.2,0.3，…，0.9}時(shí)發(fā)現(xiàn)的元規(guī)則數(shù)。圖5中，清晰方法獲取的元規(guī)則數(shù)大于模糊方法獲取的元規(guī)則數(shù)，尤其是當(dāng)確定性因素閾值較小時(shí)區(qū)別非常明顯。此外，清晰方法和模糊方法兩者最大的不同是，當(dāng)確定性因素閾值緩慢變大時(shí)，清晰元規(guī)則數(shù)急速下降，而模糊元規(guī)則數(shù)緩慢下降。由此可見(jiàn)，模糊元規(guī)則比清晰元規(guī)則更加合適，因?yàn)橐?guī)則數(shù)量變化小而且便于觀察。圖6顯示了執(zhí)行時(shí)間和支持度閾值有很大關(guān)系，支持度閾值決定了獲取的普通關(guān)聯(lián)規(guī)則的數(shù)量。從圖中可以發(fā)現(xiàn)，清晰方法受元規(guī)則數(shù)的影響，而模糊方法有相同的曲線不受元規(guī)則數(shù)的影響。

圖5 支持度閾值取不同值時(shí)發(fā)現(xiàn)的 清晰和模糊元關(guān)聯(lián)規(guī)則

圖6 支持度閾值取不同值時(shí)挖掘清晰和 模糊元關(guān)聯(lián)規(guī)則所耗時(shí)間

5 結(jié) 語(yǔ)

本文闡述了元關(guān)聯(lián)規(guī)則的概念，將從不同的數(shù)據(jù)集中挖掘的關(guān)聯(lián)規(guī)則進(jìn)行融合。分別基于生成的清晰和模糊元數(shù)據(jù)庫(kù)，提出了兩個(gè)不同的過(guò)程以挖掘元關(guān)聯(lián)規(guī)則。模糊方法對(duì)第一階段獲取的精度措施適當(dāng)?shù)靥幚?，可以更友好地表示額外的模糊屬性；獲得了一套簡(jiǎn)化的元規(guī)則，可以方便用戶更快的檢索。

未來(lái)工作需要解決的問(wèn)題有：很多情況下，屬性描述不完全適合于所有數(shù)據(jù)集，盡管它們含義相似。研究如何在元關(guān)聯(lián)規(guī)則挖掘過(guò)程中融合信息，一個(gè)可能的解決方案是利用知識(shí)庫(kù)，通過(guò)匹配類似項(xiàng)目協(xié)助挖掘元規(guī)則。此外，對(duì)于使用大數(shù)據(jù)集的大數(shù)據(jù)庫(kù)，需要進(jìn)一步驗(yàn)證本文算法的適用性。

參 考 文 獻(xiàn)

[1] Cheung D W,Ng V T,Fu A W,et al.Efficient Mining of Association Rules in Distributed Databases[J].Knowledge & Data Engineering IEEE Transactions on,1996,8(6):911-922.

[2] Delado M,Ruiz M D,Sánchez D.New Approaches for Discovering Exception and Anomalous Rules[J].International Journal of Uncertainty,Fuzziness and Knowledge-Based Systems,2011,19(2):361-399.

[3] 李其軒,路艷麗.直覺(jué)模糊信息系統(tǒng)的規(guī)則提取方法[J].計(jì)算機(jī)應(yīng)用與軟件,2015,32(1):251-254.

[4] Saxena N,Arora R,Sikarwar R,et al.An Efficient Approach of Association Rule Mining on Distributed Database Algorithm[J].International Journal of Computer Applications,2014,81(3):12-16.

[5] 翟悅,秦放.基于概念格的無(wú)冗余關(guān)聯(lián)規(guī)則提取算法[J].計(jì)算機(jī)應(yīng)用與軟件,2015,32(4):46-49,66.[6]劉玉龍,吳衛(wèi)榮,王燕.多維信息融合方法及技術(shù)研究[J].計(jì)算機(jī)應(yīng)用與軟件,2017,34(6):101-105.

[7] 周越.多域分布式網(wǎng)絡(luò)中告警模糊關(guān)聯(lián)規(guī)則挖掘的研究[D].成都:電子科技大學(xué),2016.

[8] 丁三軍,薛宇,王朝霞,等.基于模糊數(shù)據(jù)挖掘的虛擬環(huán)境主機(jī)故障預(yù)測(cè)[J].計(jì)算機(jī)工程,2015,41(11):202-206.

[9] 丁建立,王曼.基于關(guān)聯(lián)規(guī)則挖掘的航班協(xié)同保障數(shù)據(jù)知識(shí)發(fā)現(xiàn)研究[J].計(jì)算機(jī)應(yīng)用與軟件,2016,33(11):21-23,61.

[10] 段功豪.基于多結(jié)構(gòu)數(shù)據(jù)挖掘的滑坡災(zāi)害預(yù)測(cè)模型研究[D].武漢:中國(guó)地質(zhì)大學(xué),2016.