楊葛英，沈夏炯，史先進，張 磊

1.河南大學 計算機與信息工程學院，河南 開封475004

2.河南大學 河南省大數(shù)據(jù)分析與處理重點實驗室，河南 開封475004

隨著數(shù)據(jù)挖掘領域的發(fā)展，關聯(lián)規(guī)則的可視化作為一種重要的知識發(fā)現(xiàn)和模式識別方法，已經(jīng)成為一個重要的研究方向。現(xiàn)有的機器學習方法雖然能夠從大量的原始數(shù)據(jù)中提煉出關鍵信息，但是這些信息只有在經(jīng)過人們的理解并產(chǎn)生最后的決策的時候才能真正體現(xiàn)它們的價值，而可視化恰恰能幫人們完成這最重要的一點。數(shù)據(jù)可視化是通過可視化技術把原始數(shù)據(jù)之間不容易被人發(fā)現(xiàn)的數(shù)據(jù)關系給表示出讓人易于發(fā)現(xiàn)的模式，關聯(lián)規(guī)則作為一種重要的規(guī)則，表現(xiàn)數(shù)據(jù)之間的相關關系，幫助用戶進行數(shù)據(jù)分析。概念格是一種在海量數(shù)據(jù)中提取關聯(lián)信息的工具，概念格的生成過程其實就是概念聚類的過程，通過生成Hasse 圖能夠直觀表示出概念之間的層次關系，體現(xiàn)概念之間的泛化和例化關系[1-2]。將概念格與關聯(lián)規(guī)則結合，不僅可以展示出關聯(lián)關系，而且有助于知識的全面分析和潛在知識發(fā)現(xiàn)。關聯(lián)規(guī)則本身是以邏輯表達式的形式存在，隨著數(shù)據(jù)可視化技術的發(fā)展，有學者開始研究關聯(lián)規(guī)則的可視化，將關聯(lián)規(guī)則轉換為圖的樣式，增加用戶的理解。郭曉波等人[3]利用概念格的結構，把關聯(lián)規(guī)則轉換為概念格的形式，實現(xiàn)了關聯(lián)規(guī)則的可視化，但是并沒有真正意義上實現(xiàn)在概念的本質(zhì)和含義上可視化。陳敏等人[4]將關聯(lián)規(guī)則表示為Vis-Meta圖的樣式，能夠?qū)﹃P聯(lián)知識進行詳細分析，但是結構比較抽象、復雜。高琳等人[5]在給出超圖中BF超邊理論的基礎上設計并實現(xiàn)了基于超圖的關聯(lián)規(guī)則可視化，沙漏型的布局設計使得關聯(lián)規(guī)則前后件關系很明確，但是忽略了概念之間的相互關系和連通性，不利于進行數(shù)據(jù)分析和知識發(fā)現(xiàn)。文獻[6]在分子結構的基礎上實現(xiàn)了關聯(lián)規(guī)則的可視化，但是主要是用來展示項對規(guī)則的重要程度，無法展示關聯(lián)規(guī)則的分布情況。文獻[7]提出將彩色二維矩陣與布爾矩陣相結合的方法建模，將關聯(lián)規(guī)則在布爾庫中建模后，再通過布爾推理進行著色實現(xiàn)二維矩陣的關聯(lián)規(guī)則可視化，這種可視化方法能夠有效提高用戶聯(lián)想的形象化，但是忽略了用戶對規(guī)則的認知有限性。文獻[8]研究基于分組矩陣的關聯(lián)規(guī)則可視化方法，通過k-均值聚類對規(guī)則進行分組，再匯總矩陣的行和列來顯示這些分組，此方法能夠?qū)⒁?guī)則進行層次化的分析，但是在一定程度上降低了規(guī)則的可解釋性，不利于用戶的理解。文獻[9]設計了交互式的關聯(lián)規(guī)則可視化系統(tǒng)AssocExplorer，用戶可以查看到所有的關聯(lián)規(guī)則并查看規(guī)則的詳細信息，但是容易造成視覺上的混亂，難以被用戶理解。文獻[10]提出了交互式分層級關聯(lián)規(guī)則可視化系統(tǒng)，該方法采用前件遞歸向下分組的思想，增加了用戶的認知負擔。文獻[11]提出了基于S-C元圖的關聯(lián)規(guī)則表示方法，將S-C元圖結合紡錘體展示關聯(lián)規(guī)則，利用了元邊存儲支持度和置信度的信息。此方法避免了二維平面上邊的交叉，但是隨著關聯(lián)規(guī)則數(shù)量的增多，可讀性隨之降低。

綜上，目前存在的關聯(lián)規(guī)則可視化方法主要存在的問題有：領域知識展示不夠充分[12-13]，僅站在屬性這個單一角度去思考關聯(lián)規(guī)則，增加了用戶的認知負擔；可視化的背景知識共享性不夠[14-15]，忽略了知識系統(tǒng)中非關聯(lián)關系的潛在影響，失去了知識背景下全局信息的作用和關系；對潛在知識和非關聯(lián)關系的利用和發(fā)掘程度降低。

為解決上述問題，本文提出了一種以概念格為背景的關聯(lián)規(guī)則可視化方法。該方法基于概念格這個知識背景，在概念層次上進行了規(guī)則的可視化，給出了以概念格為背景的關聯(lián)規(guī)則可視化的策略，實現(xiàn)了一對一、一對多、多對一和多對多的多模式關聯(lián)規(guī)則可視化，所提出的算法能夠有效地進行關聯(lián)規(guī)則的可視化，具有較好的可讀性和可解釋性，最重要的是，它不僅在規(guī)則表示方面具有創(chuàng)新性，而且又能將屬性間的關系進行全面的分析和應用，更進一步將屬性間關系擴展到概念間關系，從而能夠幫助用戶發(fā)掘一些潛在的關系，在一定程度上幫助用戶進行決策與智能推薦。最后，基于某校的圖書館借書記錄，對算法進行了具體分析和實現(xiàn)，以證明本文的方法可行性以及創(chuàng)新性。

1 概念格可視化表示

形式概念分析是德國數(shù)學家Wille 教授在1982 年提出的[1]，概念格是形式概念分析中的一種非常重要的數(shù)據(jù)結構，概念格的每一個節(jié)點代表一個概念，每個概念由外延和內(nèi)涵兩部分組成，外延表示這個概念所含有的對象的集合，內(nèi)涵表示這個概念所含有的屬性的集合。通過概念格，不僅能夠在本質(zhì)上表示出對象和屬性之間的關系，而且還能夠生動直觀地表示出概念之間的泛化和例化關系，因此概念格被廣泛用于知識工程[16]、數(shù)據(jù)挖掘[17-18]和信息檢索[19]等領域，以下給出有關的定義和形式化表示。

在形式概念分析中，通過建立概念格這一基于形式背景中屬性和對象之間的二元偏序關系的概念層次結構，來實現(xiàn)對象、屬性和概念之間的蘊含關系進行描述，進而可以對知識進行表示。

定義1（形式背景）形式背景是一個三元組K(G,M,I)其中G代表對象集合，M代表屬性集合，I代表對象和屬性之間的關系。I?G×M則對任一個對象g∈G，任一屬m∈M，若有(g,m)∈I，則表示對象g具有m屬性。

定義2（形式概念）設K=(G,M,I)是一個形式背景，若A?G，B?M，令：

如果A、B滿足f(A)=B且g(B)=A，則稱二元組(A,B)是一個概念，其中A是概念的外延，B是概念的內(nèi)涵。

定義3（概念格）形式背景C=(O,P,R)是一個三元組，其中O是對象集合，P是屬性集合，R是O和P之間的一個二元關系，若該形式背景上存在(A1,B1) 、(A2,B2) 兩個概念，并且A1?A2或B1?B2成立，則(A1,B1)和(A2,B2)具有父子關系，(A2,B2)為(A1,B1)的父概念，(A1,B1)為(A2,B2)的子概念，并寫為(A1,B1)≤(A2,B2)，關系“≤”稱為是概念的“序?qū)哟巍保ê喎Q“序”）。如果A1?A2且不存在概念(A3,B3)使A1?A2?A3，則稱(A1,B1)是(A2,B2)的直接子概念，(A2,B2)是(A1,B1)的直接概念，記作(A1,B1)?(A2,B2)，C=(O,P,R)的所有概念用這種序組成的集合稱為概念格，記作L=(O,P,R)。

定義4（獨有屬性）每個節(jié)點上所獨有的屬性即為ownAttributes，表明此屬性為此概念所有，此概念的上層概念不具有此屬性，下層概念具有此屬性。

定義5（關聯(lián)規(guī)則）對于X,Y∈A，關聯(lián)規(guī)則表示，其中Smin和Cmin分別為最小支持度和最小置信度，且關聯(lián)規(guī)則的支持度定義為Support(X→Y)=置信度定義為Confidence(X→Y)=其中N為用戶事務模式集T的事務支持度的總和。

定義6（Hasse圖）哈斯圖是一種來表示有限偏序集的數(shù)學圖表，它能夠以圖的形式對偏序集進行傳遞和簡約。概念格可以通過Hasse 圖來進行可視化，線圖作為最基礎的方式，在線圖中一個節(jié)點代表一個概念，一條邊代表著概念之間的偏序關系，例如節(jié)點之間的上下關系可以表示為：N1≤N2，即節(jié)點N1在節(jié)點N2之上，它們之間存在偏序關系，所以需要用線連接。這樣的方式能夠讓人們直觀觀察到概念之間的關系，所以借助Hasse圖來進行關聯(lián)規(guī)則的可視化也是十分有必要且有意義的。

2 以概念格為背景的關聯(lián)規(guī)則可視化算法

在關聯(lián)規(guī)則表示方法中，如何將挖掘到的結果可視化為用戶可以直觀讀懂[20-21]，并且能夠幫助用戶進行有效分析和決策是一個核心問題。概念格本身是一種能夠表示概念之間泛化與例化關系的數(shù)據(jù)結構，能夠形象描述概念之間存在的聯(lián)系。概念格的Hasse圖又十分清晰直觀地把概念之間的這種泛化和例化關系表示出來，非常便于用戶分析與觀察概念之間的內(nèi)在聯(lián)系以及屬性與概念之間的關系。所以，本文提出的基于概念格的關聯(lián)規(guī)則可視化算法，是在概念格原有的哈斯圖的基礎上，進行關聯(lián)規(guī)則的可視化表示和查找。

算法思想：算法在實現(xiàn)概念格的構造時，在現(xiàn)有的概念格探索工具Conexp 基礎上進行二次開發(fā)與實驗，概念格中每一個節(jié)點代表一個概念，向上所到達的所有屬性，即為此概念的所含有屬性，向下所能到達的所有對象即為此概念所含的對象。當點擊一個概念節(jié)點的時候，將這個概念節(jié)點的ownAttribute 作為驅(qū)動去查找關聯(lián)規(guī)則中以這個屬性為后繼的規(guī)則。高亮節(jié)點的策略也是按照ownAttribute 去高亮，因為概念節(jié)點通常含有很多的屬性，但是對于用戶來說所能看到的僅僅是每個節(jié)點標簽上對應的屬性，所以以概念節(jié)點的ownAttribute 的查詢和可視化具有更加清晰直觀的作用，同時也能夠反映出在關聯(lián)規(guī)則中概念節(jié)點之間的關系和作用。

高亮節(jié)點的策略可以分為三類：一對多、多對一和多對多。

（1）一對多（包含前件屬性為一個，后件屬性N個，和前件和后件的屬性都為一個的情況）。高亮節(jié)點在查找的時候，先查找一個同時具有所有前后件屬性的概念，由此概念向上到達的概念的ownAttributes中等于前件或者后件屬性的概念節(jié)點。

（2）多對一（前件屬性為N個，后件屬性為一個）。先依次查找任意一個含有前件或后件屬性的概念，如果這個節(jié)點存在，把這個節(jié)點存入高亮集合中，如果不存在這個點，依次找出所有同時含有任意一個前件和后件屬性的并集的概念，把這個概念節(jié)點存入高亮節(jié)點的集合里，然后再向上尋找ownAttributes中含有前件或后件的節(jié)點，直到到達概念的屬性集合等于前件或者后件停止。

（3）多對多（前件屬性為N個，后件屬性也為N個）。先查找具有所有前件屬性的概念節(jié)點，然后再查找具有所有后件屬性的概念節(jié)點，最后把同時具有這兩個概念所含有屬性的概念節(jié)點找到，再向上查找節(jié)點，直到找到概念的ownAttribute 等于前件和后件停止，這個過程所得到的所有節(jié)點都存入應該高亮概念節(jié)點集合中。

高亮邊的策略：將需要高亮的節(jié)點和邊分別存入集合中，當兩個節(jié)點中存在多條路徑時，按照最短路徑優(yōu)先策略選擇最短的那一條路徑。其算法過程如下所示。

算法1 VRulesBaseOnCL（）//以概念格為背景的關聯(lián)規(guī)則可視化算法

輸入：點擊概念格中任意一個節(jié)點，查找以這個概念的ownAttribute為后繼的關聯(lián)規(guī)則。

輸出：在概念格中找到相關的關聯(lián)規(guī)則，并高亮此路徑。

集合：

1. Rn：所有符合條件的關聯(lián)規(guī)則集合

2. Nn：=?需要高亮的節(jié)點集合

3. PNode：規(guī)則前件節(jié)點

4. PLength：規(guī)則前件屬性的個數(shù)

5. CNode：規(guī)則后件節(jié)點

6. CLength：規(guī)則后件屬性的個數(shù)

7. Egn：=?需要高亮的邊集合

Begin：

1. For I from 0 to n Do{

2. IF（PLength==1）THEN {

3. 添加前件節(jié)點到高亮集合中

4. IF（CLength==1）

5. 添加后件節(jié)點到高亮集合中

6. ELSE

7. 將多屬性的后件分割成多個單一屬性，將單屬性節(jié)點添加到高亮集合中

8. 使用深度優(yōu)先遍歷算法，計算從前件節(jié)點、單屬性節(jié)點到前件和后件并集節(jié)點的路徑，將路徑中滿足條件的節(jié)點添加到高亮集合中

9. }

10.ELSE（CLength==1）THEN{

11.將多屬性前件進行分割，得到多個單屬性節(jié)點，然后分別添加到高亮集合中

12.添加后件節(jié)點到高亮集合中

13.將多個單一屬性節(jié)點分別同后件節(jié)點進行“與”運算，并將計算結果添加到高亮集合中

14.使用深度優(yōu)先遍歷算法，計算從多個單屬性節(jié)點、前件節(jié)點到并集節(jié)點的路徑，并將路徑上滿足條件的節(jié)點添加到高亮集合

15. }

16. ELSE（ CLength＞1 ）THEN {

17.將多個屬性的前件、后件，分割成多個單屬性的節(jié)點，添加到高亮集合中

18.使用“與”運算，求得前件和后件節(jié)點的并集節(jié)點，并添加到高亮集合中

19.使用深度優(yōu)先遍歷算法，分別求得從前件、后件節(jié)點到并集節(jié)點所經(jīng)過的路徑，并將路徑上滿足條件的節(jié)點添加到高亮集合

20. }

21. END IF

22.}END For

算法的輸入是所有滿足條件的關聯(lián)規(guī)則，算法的輸出是集合Nn，該集合存儲算法的計算結果，經(jīng)過整個流程后集合中存儲的是不含重復的所有需要高亮的節(jié)點對象，所有滿足條件的節(jié)點都以鏈式結構存儲，方便后續(xù)算法的使用。

算法第7、11、17行，將前（后）件的屬性分割成多個單一屬性，該操作將用戶點擊操作選中的關聯(lián)規(guī)則的前（后）件轉化為背景中的相應節(jié)點并正確的高亮，同時也是后續(xù)深度優(yōu)先遍歷的前提。

算法中使用的深度優(yōu)先遍歷，通過計算從開始節(jié)點到結束節(jié)點的路徑，同時使用相應的策略選擇最優(yōu)路徑。路徑上的邊，以＜開始節(jié)點，結束節(jié)點＞的形式存儲在集合Egn中供后續(xù)高亮操作使用。

算法功能：高亮節(jié)點和路徑

1. For I from 0 to n Do {

2. IF（Nn中包含此節(jié)點）THEN {

3. 該節(jié)點調(diào)用節(jié)點的高亮策略

4. }END IF

5. }END For

6. For I from 0 to n Do {

7. IF（Egn中包含此邊）THEN {

8. 該邊調(diào)用邊的高亮策略

9. }END IF

10. }END For

第1～8 行，設置高亮策略，算法中所用到的高亮策略定義了節(jié)點和邊的屬性信息，其中包括節(jié)點和邊是否高亮以及高亮的顏色等。Nn與Egn包含了所有需要高亮的點和邊。此算法將滿足條件的點和邊高亮。

3 面向?qū)嵗年P聯(lián)規(guī)則可視化

本章以某校圖書館學生借書情況為數(shù)據(jù)源，對源數(shù)據(jù)、關聯(lián)規(guī)則的可視化進行了具體的實現(xiàn)。下面是對圖書和圖書之間、學生和學生之間，以及圖書和學生之間的相關關系進行了具體的分析，用戶可以結合概念格這個完備的概念結構，在分析屬性之間的關聯(lián)關系的同時，也將之擴展到概念之間的關系，將非關聯(lián)的關系也給予一定的分析和應用，增加知識的共享性，實現(xiàn)潛在的知識發(fā)現(xiàn)。在概念格上的關聯(lián)規(guī)則可視化是對知識全面分析和理解的一個表示方法，在分析圖書之間的關聯(lián)關系的同時，能夠直觀地在概念格上看到與規(guī)則相關的對象，從而可以將有關聯(lián)的圖書推薦他們，以此實現(xiàn)圖書的智能推薦和分析學生對圖書的偏好和借書趨勢。

數(shù)據(jù)源的整理：圖書館的借書記錄反映著學生的閱讀情況，也能從側面分析出學生閱讀的興趣愛好。根據(jù)用戶的借書記錄，借的書重復的越多證明學生之間的興趣關聯(lián)性越大。通過對書的關聯(lián)規(guī)則分析與可視化，在概念格上能夠更加清晰看出兩個興趣關聯(lián)性大的用戶之間的關系，可以根據(jù)關聯(lián)規(guī)則的可視化，輕松地分析出學生將很大程度上會感興趣的圖書，并推薦給學生。

首先，通過數(shù)據(jù)的整理與分析，選取借閱最多的20本書和借閱這20本書最多的13名學生，構造相應的“學生-書名”形式背景，分析學生和書籍之間的關聯(lián)關系，從而發(fā)現(xiàn)一些潛在的知識，如表1所示。然后進行概念格的生成和關聯(lián)規(guī)則生成的引入：在現(xiàn)有的概念格構造工具中，基于概念格構造工具Concept Explore 形成的概念格結構如圖1 所示。通過設置支持度為1，可信度為100%，形成的關聯(lián)規(guī)則挖掘結果如表2所示。

從圖1可以看出，在二維平面上概念格能夠清晰看出概念之間的泛化和例化關系，但是缺乏對概念之間的關聯(lián)性的可視化；從表2 可以看出，關聯(lián)規(guī)則的邏輯表達式形式對用戶來說十分抽象難懂，而且忽略了概念之間的知識共享性，將關聯(lián)規(guī)則和概念格相結合，實現(xiàn)以概念格為背景的關聯(lián)規(guī)則可視化，具有很好的效果。

基于概念格構造工具Concept Explorer1.3 進行二次開發(fā)與實現(xiàn)，在概念格上，當用戶點擊某個概念節(jié)點，以某節(jié)點的ownAttribute 為查找條件，查找后件含有此屬性的關聯(lián)規(guī)則，將此關聯(lián)規(guī)則在概念格中高亮出來。根據(jù)表2 形成的關聯(lián)規(guī)則進行可視化表示，第一步，選擇需要展示的模式：1 ?N,N?1,N?N三種模式，如圖2所示。

表1 基于“學生-書名”形式背景

圖1 基于“學生-書”名形式背景生成的概念格

表2 基于“學生-書名”生成的關聯(lián)規(guī)則

圖2 關聯(lián)規(guī)則模式選擇框

（1）選擇“N?1”模式；然后，點擊標簽為《且聽風吟》的概念，對應的關聯(lián)規(guī)則應該為：《麥琪的禮物》《呼嘯山莊》=[100%]?＜1＞《且聽風吟》，可視化的結果如圖3所示。

圖3 N ?1 模式的關聯(lián)規(guī)則可視化

圖4 N ?N 模式的關聯(lián)規(guī)則可視化

由圖3 可以看到，《呼嘯山莊》《麥琪的禮物》《且聽風吟》這3 本書之間存在關聯(lián)關系，并且可以很直觀看出“學生6”這個對象含有《且聽風吟》和《呼嘯山莊》這兩個屬性，但是沒有《麥琪的禮物》這個屬性。因此，通過分析可以將《麥琪的禮物》這本書推薦給“學生6”。換句話說，由概念格上的關聯(lián)規(guī)則的可視化分析，能夠更加直觀地分析出書和學生之間的多種關系，這樣就把關聯(lián)規(guī)則真正地應用起來，易于理解和分析，并且提高了圖書館管理員對圖書分析與推薦的準確性。

（2）選擇“N?N”模式，點擊標簽為《平凡的世界》的概念節(jié)點，對應的關聯(lián)規(guī)則應該為1條：《麥田里的守望者》《呼嘯山莊》=[100%]?＜1＞《平凡的世界》《傲慢與偏見》，如圖4所示。

由圖4 可以看出，“學生7”同時借過《平凡的世界》《傲慢與偏見》《麥田里的守望者》《呼嘯山莊》這4 本書。對于“學生12”“學生3”“學生2”“學生5”來說，他們只借過其中的幾本書，所以可以把這4 本書中，各自沒借閱過的圖書推薦給他們。

（3）選擇“1 ?N”模式，點擊標簽為《呼嘯山莊》的概念，對應的關聯(lián)規(guī)則有2條：1 ?1模式的關聯(lián)規(guī)則為《傲慢與偏見》=[100%]?＜2＞《呼嘯山莊》。

“1 ?N”模式的關聯(lián)規(guī)則為：《羊脂球》=[100%]?＜2＞《紅與黑》《呼嘯山莊》；根據(jù)這兩種模式的關聯(lián)規(guī)則可視化的結果，如圖5所示。

由圖5 可以看出，《呼嘯山莊》與《傲慢與偏見》《紅與黑》《羊脂球》這3 本書之間存在的關聯(lián)關系，這種多條規(guī)則融合的關聯(lián)規(guī)則可視化提高了數(shù)據(jù)分析的多樣性。通過分析，對借閱過《傲慢與偏見》和《呼嘯山莊》的“學生7”來說，他沒有借閱過《紅與黑》《羊脂球》這2 本書，但是由于這4 本書之間的強關聯(lián)關系，所以可以把《紅與黑》和《羊脂球》推薦給他；同樣地，對借閱過《呼嘯山莊》和《紅與黑》的“學生5”來說，可以把《羊脂球》和《傲慢與偏見》推薦給他。

由圖3、4、5可以看到，以概念格為背景的關聯(lián)規(guī)則可視化很直觀且有意義，特別是在融合多條相關的關聯(lián)規(guī)則的時候，能夠在較為全面的知識背景下進行數(shù)據(jù)分析。對于用戶來說，不僅僅是對于規(guī)則本身的認識，更是將對象與屬性結合起來全面分析，使用戶對關聯(lián)規(guī)則的理解和使用更加充分，對知識的發(fā)現(xiàn)更加徹底。

目前，關聯(lián)規(guī)則的可視化受限于傳統(tǒng)的具有強烈前后指向表示的方法。隨著數(shù)據(jù)科學的發(fā)展，知識背景下的每一條數(shù)據(jù)都是有價值的，因此忽略非關聯(lián)的關系是不合理的。將關聯(lián)規(guī)則具體表示在一個較為全面的數(shù)據(jù)結構-概念格中，能夠在較為完備的知識背景下進行數(shù)據(jù)的可視化，并且在數(shù)據(jù)分析和潛在知識分析和挖掘方面具有很好的效果。

本文實現(xiàn)的關聯(lián)規(guī)則以概念格為背景的可視化與現(xiàn)有的基于表、矩陣，基于有向圖以及基于Vis_Meta 圖和超圖相比具有以下優(yōu)點：能夠?qū)ο蠛蛯傩越Y合在一起進行更全面的數(shù)據(jù)分析，原來關聯(lián)規(guī)則僅僅是分析屬性之間的關聯(lián)關系具有一定的局限性，現(xiàn)結合對象和屬性兩個層次，在一定程度上提高了數(shù)據(jù)分析的準確性；能夠?qū)崿F(xiàn)一對多、多對一和多對多的多模式關聯(lián)規(guī)則可視化，提高可視化的程度；能夠充分將關聯(lián)規(guī)則融入知識背景，幫助用戶得到更多的信息和發(fā)掘一些潛在的知識，從而促進用戶決策和幫助智能數(shù)據(jù)分析與推薦，提高了知識的共享性；能夠?qū)㈥P聯(lián)關系更清晰直觀地展示，促進用戶對知識的理解與掌握。

圖5 1 ?N 模式的關聯(lián)規(guī)則可視化

4 結束語

通過對概念格和關聯(lián)規(guī)則的分析與研究，本文提出了一種以概念格為背景的關聯(lián)規(guī)則可視化方法，增加了關聯(lián)規(guī)則可視化的多樣性，并將概念格的理論和應用密切結合，實現(xiàn)了一對一、多對一、一對多和多對多這4種模式的關聯(lián)規(guī)則可視化，在概念格的基礎上展示關聯(lián)規(guī)則，不僅能夠提高關聯(lián)規(guī)則可視化的多樣性，而且使用戶在概念層次對關聯(lián)規(guī)則的理解更加深刻，并且能夠幫助用戶更加全面地分析概念之間的關系，最終得到一些潛在的知識發(fā)現(xiàn)和推論。文中以圖書館借書記錄為數(shù)據(jù)源，對算法進行了實現(xiàn)和驗證。實驗結果表明本文所提出的關聯(lián)規(guī)則可視化方法具有良好的效果，提高知識共享性和用戶交互性，在很大程度上提高了數(shù)據(jù)分析的全面性，在圖書館管理系統(tǒng)等平臺中能提高智能推薦的準確性和多樣性。

在高維大數(shù)據(jù)的應用方面，針對屬性多的情況，可通過允許用戶自定義興趣點屬性，快速聚焦用戶感興趣的內(nèi)容，從而實現(xiàn)維規(guī)約，提高計算效率，然后在此基礎上通過本文可視化方法進行規(guī)則的高亮，幫助用戶深化對知識的見解。針對概念節(jié)點較多的情況，由于概念格現(xiàn)有布局結構的局限性，大量數(shù)據(jù)的可視化可能會造成視覺的混亂。因此，在下一步的工作中，一方面可研究如何結合概念格的布局算法將該可視化方法擴展到高維大數(shù)據(jù)中；另一方面可研究子格的折疊與展開理論，將之加入布局算法中，從而減少節(jié)點多而造成的視覺混亂的情況，讓用戶能夠直觀獲取和理解更多的知識，提高軟件的通用性和實用性。