摘要Apriori算法是發(fā)現(xiàn)頻繁項(xiàng)目集的經(jīng)典算法，但是該算法需反復(fù)掃描數(shù)據(jù)庫，因此效率較低。本文介紹了Apriori算法的思想，并分析了該算法的性能瓶頸。在此基礎(chǔ)上，針對Apriori算法提出了一種改進(jìn)方法，該方法采用轉(zhuǎn)置矩陣的策略，只掃描一次數(shù)據(jù)庫即可完成所有頻繁項(xiàng)目集的發(fā)現(xiàn)。與其他經(jīng)典的算法相比，本文提出的算法在項(xiàng)目集長度較大時(shí)，性能明顯提高。

關(guān)鍵字關(guān)聯(lián)規(guī)則，支持度，置信度，Apriori

1引言

關(guān)聯(lián)規(guī)則挖掘就是在海量的數(shù)據(jù)中發(fā)現(xiàn)數(shù)據(jù)項(xiàng)之間的關(guān)系，是數(shù)據(jù)挖掘領(lǐng)域中研究的熱點(diǎn)問題。1993年Agrawal等人[1]首先提出了交易數(shù)據(jù)庫中不同商品之間的關(guān)聯(lián)規(guī)則挖掘，并逐漸引起了專家、學(xué)者的重視。關(guān)聯(lián)規(guī)則挖掘問題可以分為：發(fā)現(xiàn)頻繁項(xiàng)目集和生成關(guān)聯(lián)規(guī)則兩個子問題，其中發(fā)現(xiàn)所有的頻繁項(xiàng)目集是生成關(guān)聯(lián)規(guī)則的基礎(chǔ)。近年來，發(fā)現(xiàn)頻繁項(xiàng)目集成為了關(guān)聯(lián)規(guī)則挖掘算法研究的重點(diǎn)，在經(jīng)典的Apriori算法的基礎(chǔ)上提出里大量的改進(jìn)算法。Savasere等[2]設(shè)計(jì)了基于劃分(partition)的算法，該算法可以高度并行計(jì)算，但是進(jìn)程之間的通信是算法執(zhí)行時(shí)間的主要瓶頸；Park等[3]通過實(shí)驗(yàn)發(fā)現(xiàn)尋找頻集主要的計(jì)算是在生成頻繁2-項(xiàng)集上，利用這個性質(zhì)Park等引入雜湊（Hash）技術(shù)來改進(jìn)產(chǎn)生頻繁2-項(xiàng)集的方法，該算法顯著的提高了頻繁2-項(xiàng)集的發(fā)現(xiàn)效率；Mannila等[4]提出：基于前一遍掃描得到的信息，對此仔細(xì)地作組合分析，可以得到一個改進(jìn)的算法了。針對Mannila的思想Toivonen[5]進(jìn)一步提出：先使用從數(shù)據(jù)庫中抽取出來的采樣得到一些在整個數(shù)據(jù)庫中可能成立的規(guī)則，然后對數(shù)據(jù)庫的剩余部分驗(yàn)證這個結(jié)果。Toivonen的算法相當(dāng)簡單并顯著地減少了I/O代價(jià)，但是一個很大的缺點(diǎn)就是產(chǎn)生的結(jié)果不精確，存在數(shù)據(jù)扭曲(dataskew)。

上述針對經(jīng)典Apriori算法的改進(jìn)算法在生成頻繁項(xiàng)目集時(shí)都需要多次掃描數(shù)據(jù)庫，沒有顯著的減少I/O的代價(jià)。本文在分析了經(jīng)典的Apriori算法的基礎(chǔ)上，給出了一種改進(jìn)的方法，該方法采用轉(zhuǎn)置矩陣的策略，只掃描一次數(shù)據(jù)庫即完成頻繁項(xiàng)目集的發(fā)現(xiàn)，在項(xiàng)目集長度較大時(shí)，性能明顯提高。

2Apriori算法

1相關(guān)技術(shù)

關(guān)聯(lián)規(guī)則最初是針對購物籃分析問題提出的，目的是發(fā)現(xiàn)事務(wù)數(shù)據(jù)庫（TransactionDatabase）中不同商品之間的聯(lián)系。關(guān)聯(lián)規(guī)則是形如A=》B的蘊(yùn)涵式，其中A稱為該關(guān)聯(lián)規(guī)則的前項(xiàng)，B稱為該關(guān)聯(lián)規(guī)則的后項(xiàng)。事務(wù)，是一個明確定義的商業(yè)行為，如顧客在商店購物就是一次典型的事務(wù)。由用戶設(shè)定的支持度和置信度的門檻值，當(dāng)sup－port(A=>B)、confidence(A=>B)分別大于等于各自的門檻值時(shí)，認(rèn)為A=>B是有趣的，此兩值稱為最小支持度(minsupport)和最小置信度(minconfidence)。同時(shí)滿足minsupport和minconfidence的這種關(guān)聯(lián)規(guī)則就叫做強(qiáng)的關(guān)聯(lián)規(guī)則。設(shè)任務(wù)相關(guān)的數(shù)據(jù)D是數(shù)據(jù)庫事物的集合，當(dāng)項(xiàng)集的支持計(jì)數(shù)≥D中事務(wù)總數(shù)|D|與minsup－port的乘積時(shí)，就叫做頻繁項(xiàng)集，當(dāng)項(xiàng)集的支持計(jì)數(shù)可能≥D中事務(wù)總數(shù)|D|與minsupport的乘積時(shí)，就叫做侯選項(xiàng)集。所有侯選項(xiàng)集K-項(xiàng)集的集合記作Ck，所有頻繁項(xiàng)集K-項(xiàng)集的集合常記作Lk，很明顯Lk奐Ck。如果僅依賴最小支持度和最小置信度這兩個參數(shù)的限制，所挖掘出的強(qiáng)關(guān)聯(lián)規(guī)則不一定是用戶感興趣的，因此，用戶可以根據(jù)實(shí)際應(yīng)用的需求，再結(jié)合自身的領(lǐng)域知識，通過選擇與實(shí)際分析任務(wù)有關(guān)的數(shù)據(jù)集，設(shè)置不同的參數(shù)，限定前項(xiàng)和后項(xiàng)的個數(shù)，選擇前項(xiàng)和后項(xiàng)包含的屬性等操作，對關(guān)聯(lián)規(guī)則的挖掘進(jìn)行約束。

2模糊集理論的引入

在討論實(shí)際問題的時(shí)候，需要判定模糊概念涵義，如判斷某個數(shù)據(jù)在模糊集的定義和歸屬，這時(shí)就需要普通集合與模糊集合可依某種法則相互轉(zhuǎn)換。模糊理論中的截集是模糊集合和普通集合之間相互轉(zhuǎn)換的一座橋梁。

3基于事務(wù)間數(shù)值型關(guān)聯(lián)規(guī)則的數(shù)據(jù)挖掘算法

假設(shè)有一就業(yè)數(shù)據(jù)庫，先通過數(shù)據(jù)整理，將原始數(shù)據(jù)記錄值區(qū)間［0，10］偏置10個單位。由此就得到了經(jīng)過偏置后的數(shù)據(jù)庫記錄。再依滑動窗口方法，設(shè)maxspan=1(該值可以依實(shí)際情況的需要來定),就可將偏置后的數(shù)據(jù)庫數(shù)據(jù)整理轉(zhuǎn)化為擴(kuò)展事務(wù)數(shù)據(jù)庫。再把擴(kuò)展事務(wù)數(shù)據(jù)庫記錄通過隸屬度函數(shù)轉(zhuǎn)化為對應(yīng)的隸屬度。

摘要從大量事務(wù)記錄中發(fā)現(xiàn)有意義的關(guān)聯(lián)規(guī)則，可以幫助做出許多商務(wù)決策，如分類設(shè)計(jì)、交叉購物，從而提高銷售額和利潤。本文提出了一種基于鏈表族數(shù)據(jù)結(jié)構(gòu)的關(guān)聯(lián)規(guī)則挖掘的改進(jìn)方法，性能明顯優(yōu)于Apriori算法。由于該方法只需訪問數(shù)據(jù)庫一次，對于挖掘海量數(shù)據(jù)其性能尤為明顯。

關(guān)鍵詞數(shù)據(jù)挖掘；關(guān)聯(lián)規(guī)則；支持度

1問題概述

關(guān)聯(lián)規(guī)則的挖掘的形式化描述如下：令I(lǐng)={i1，i2，…im}為項(xiàng)目集(也稱為模式)，D為事務(wù)(又稱交易)數(shù)據(jù)庫，其中每個事務(wù)T是I中一組項(xiàng)目集合，即TI，并令其有一個唯一的標(biāo)識符TID。如果對于I中的子集X有XT，則事務(wù)包含項(xiàng)目集X。關(guān)聯(lián)規(guī)則就是形如XY的邏輯蘊(yùn)涵式，其中XI，YI，且X∩Y=。如果D中S%交易包含X∪Y，關(guān)聯(lián)規(guī)則XY在D中具有支持s。如果D中c%的包含X的交易也同時(shí)包含Y，則關(guān)聯(lián)規(guī)則XY在D中可信度c成立。關(guān)聯(lián)規(guī)則挖掘一般分為兩步：①發(fā)現(xiàn)所有的頻繁項(xiàng)目集，也就是說這些項(xiàng)目集在數(shù)據(jù)庫中的支持計(jì)數(shù)必須不小于預(yù)先設(shè)定的一個閾值，即最小支持度；②由頻繁項(xiàng)目集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則，也就是說這些強(qiáng)關(guān)聯(lián)規(guī)則必須滿足最小支持度和最小可信度。其中第2步，一般采用如下方法：對于一個頻繁項(xiàng)目集l的每一個非空子集s如果support_count(1)/support_count(s)≥min_conf，(其后support_count(1)表示項(xiàng)目集l在數(shù)據(jù)庫中的支持計(jì)數(shù)，而min_conf表示最小可信度)則規(guī)則輸出：“s(1-s)”，該規(guī)則也稱為強(qiáng)關(guān)聯(lián)規(guī)則，第2步相對比較簡單，目前大部分研究工作都針對第1步，以改進(jìn)尋找頻繁項(xiàng)目集的效率，本文針對第1步提出了一種稱為ALT的改進(jìn)算法。

2研究現(xiàn)狀

目前，關(guān)聯(lián)規(guī)則挖掘算法中，最有影響的是AGRWAL和SRIKANT于1994年提出的Apriori算法[1]。在許多情況下，Apriori的候選產(chǎn)生-檢查方法大幅度壓縮了候選項(xiàng)目集的大小，并導(dǎo)致很好的性能，然而，它有兩種開銷微不足道：①可能產(chǎn)生大量候選項(xiàng)目集；②可能需要重復(fù)地掃描數(shù)據(jù)庫，通過模式匹配檢查有一個很大的候選集合，但有一種有趣的稱為頻繁模式增長(Frequent_PatternGrowth)，或簡稱FP-增長解決了此問題。它采用如下分治策略：將提供頻繁項(xiàng)目集的數(shù)據(jù)庫壓縮到一棵頻繁模式樹(FP-樹)，并仍保留項(xiàng)目集關(guān)聯(lián)信息；然后將這種壓縮后的數(shù)據(jù)庫分成一組條件數(shù)據(jù)庫(一種特殊類型的投影數(shù)據(jù)庫)，每個關(guān)聯(lián)一個頻繁項(xiàng)，并分別挖掘每個數(shù)據(jù)庫。對于挖掘長的和短的頻繁模式，F(xiàn)P-樹方法都是有效的和可伸縮的，并且比Apriori方法快一個數(shù)量級。其它關(guān)聯(lián)規(guī)則挖掘方法還有參考文獻(xiàn)[1]中討論且給出的AIS算法，參考文獻(xiàn)[2]給出的SETM算法及文獻(xiàn)[3]給出的IUA算法。

第一章總則

第一條為了規(guī)范公司（以下簡稱“公司”）的關(guān)聯(lián)交易，保證公司與各關(guān)聯(lián)人所發(fā)生的關(guān)聯(lián)交易的合法性、公允性、合理性；為了保證公司各項(xiàng)業(yè)務(wù)通過必要的關(guān)聯(lián)交易準(zhǔn)則順利地開展，保障股東和公司的合法權(quán)益，依據(jù)《公司法》、《公司章程》和其它有關(guān)法律、法規(guī)的規(guī)定，制定本制度。

第二條公司在確認(rèn)和處理有關(guān)關(guān)聯(lián)人之間關(guān)聯(lián)關(guān)系與關(guān)聯(lián)交易時(shí)，應(yīng)遵循并貫徹以下原則：

1、盡量避免或減少與關(guān)聯(lián)人之間的關(guān)聯(lián)交易;

2、確定關(guān)聯(lián)交易價(jià)格時(shí)，應(yīng)遵循“公平、公正、公開以及等價(jià)有償”的原則，并以書面協(xié)議方式予以確定;

3、對于必須發(fā)生的關(guān)聯(lián)交易，應(yīng)切實(shí)履行信息披露的有關(guān)規(guī)定;

1基于數(shù)據(jù)挖掘的機(jī)組運(yùn)行

在熔煉機(jī)組優(yōu)化運(yùn)行的過程中，機(jī)組的運(yùn)行性能指標(biāo)與人員的操作水平、負(fù)荷及運(yùn)行參數(shù)之間有著復(fù)雜的相互關(guān)系，這種關(guān)系在大量的生產(chǎn)歷史數(shù)據(jù)中與機(jī)組各數(shù)據(jù)項(xiàng)之間關(guān)聯(lián)，因此可以通過數(shù)據(jù)挖掘的方式把其中的關(guān)聯(lián)關(guān)系定量的反映出來，最終反饋到實(shí)際運(yùn)行中。本文結(jié)合工廠的實(shí)際情況，分析由工廠的DCS系統(tǒng)采集的實(shí)時(shí)運(yùn)行數(shù)據(jù)，來得到用戶期望的相關(guān)參數(shù)間定量的關(guān)聯(lián)規(guī)則。

2交互式關(guān)聯(lián)規(guī)則挖掘算法

關(guān)聯(lián)規(guī)則挖掘算法在數(shù)據(jù)庫的記錄或?qū)ο笾谐槿￡P(guān)聯(lián)性，展示了數(shù)據(jù)間位置依賴關(guān)系，其目的是尋找在大量的數(shù)據(jù)項(xiàng)中隱藏著的聯(lián)系或相關(guān)性。其優(yōu)越性在于能將用戶的定制信息整合到挖掘過程中，以一種友好的方式引入約束，使挖掘出更加符合用戶需要的信息，并且提高了挖掘的效率和有效性。

2.1目標(biāo)數(shù)據(jù)庫的確定

數(shù)據(jù)挖掘應(yīng)熟悉對象的背景知識，明確挖掘的目標(biāo)，根據(jù)目標(biāo)確定相關(guān)數(shù)據(jù)，以此作為目標(biāo)數(shù)據(jù)庫，來完成對數(shù)據(jù)的預(yù)處理、挖掘和規(guī)則評價(jià)。

摘要：數(shù)據(jù)挖掘就是從大量的數(shù)據(jù)中挖掘出有用的信息。數(shù)據(jù)挖掘與傳統(tǒng)的數(shù)據(jù)分析的本質(zhì)區(qū)別是數(shù)據(jù)挖掘是在沒有明確假設(shè)的前提下去挖掘信息、發(fā)現(xiàn)知識。文章分析了數(shù)據(jù)挖掘算法的關(guān)聯(lián)規(guī)則特性，對其在股票市場中的應(yīng)用進(jìn)行了重點(diǎn)，以便更好的應(yīng)用在更多的領(lǐng)域。

關(guān)鍵詞：關(guān)聯(lián)規(guī)則；數(shù)據(jù)挖掘算法；股票

1關(guān)聯(lián)規(guī)則

1.1關(guān)聯(lián)規(guī)則概述

數(shù)據(jù)關(guān)聯(lián)是數(shù)據(jù)庫中存在的一類重要的可被發(fā)現(xiàn)的知識。如果兩個或多個變量的取值之間存在某種規(guī)律性，就稱為關(guān)聯(lián)。關(guān)聯(lián)分析的目的是找出數(shù)據(jù)庫中隱藏的關(guān)聯(lián)網(wǎng)，關(guān)聯(lián)規(guī)則挖掘發(fā)現(xiàn)大量數(shù)據(jù)中項(xiàng)集之間有趣的關(guān)聯(lián)或相關(guān)聯(lián)系。近些年來，很多業(yè)界人士對關(guān)聯(lián)規(guī)則挖掘進(jìn)行了詳細(xì)的探討，關(guān)聯(lián)規(guī)則挖掘已經(jīng)成為數(shù)據(jù)挖掘中的一個非常重要的課題。關(guān)聯(lián)規(guī)則概念是Agrawal等人在1993年首先提出的，與此同時(shí)還給出了一種性能相對較差的挖掘算法AIS。1994年，由于項(xiàng)目集格空間理論的建立，他們在以往定理的基礎(chǔ)上提出了著名的Apriori算法，這種算法目前仍作為關(guān)聯(lián)規(guī)則挖掘的經(jīng)典算法引起了人們的廣泛研究和討論。一開始，關(guān)聯(lián)規(guī)則的產(chǎn)生主要是針對購物籃分析問題。對于分店經(jīng)理來說，如何更詳細(xì)更清楚的了解顧客的購物習(xí)慣，尤其是想了解顧客可能會在一次購物時(shí)同時(shí)購買哪些商品？為此，我們對商店的顧客購物零售數(shù)量進(jìn)行購物籃分析。而顧客的購物習(xí)慣就可通過他們放入“購物籃”中的不同商品之間的關(guān)聯(lián)進(jìn)行分析，零售商也可以通過這種關(guān)聯(lián)分析了解哪些商品頻繁的被顧客同時(shí)購買，進(jìn)而有助于他們設(shè)計(jì)出更好的營銷方案。與此同時(shí)，一些知名的電子商務(wù)站點(diǎn)也可以從具有強(qiáng)大功能的關(guān)聯(lián)規(guī)則挖掘中獲得很大好處。通過使用關(guān)聯(lián)規(guī)則對數(shù)據(jù)進(jìn)行分析，這些電子購物網(wǎng)站可以設(shè)置用戶有可能會同時(shí)購買捆綁包，也有很多購物網(wǎng)站設(shè)置了相應(yīng)的交叉銷售，具體是指顧客在購買一種產(chǎn)品時(shí)會看到與該類產(chǎn)品相關(guān)的另外一種產(chǎn)品的廣告。但是目前我國商業(yè)銀行在數(shù)據(jù)大集中之后，普遍面臨著“數(shù)據(jù)海量，信息缺乏”的窘迫情況。目前，在金融業(yè)所采用的數(shù)據(jù)庫中，大多數(shù)數(shù)據(jù)庫的功能層次都很低，只能夠簡單的實(shí)現(xiàn)數(shù)據(jù)的錄入、統(tǒng)計(jì)、查詢等，根本發(fā)現(xiàn)不了數(shù)據(jù)中蘊(yùn)含的大量有實(shí)用價(jià)值的信息。綜上所述，可以說在關(guān)聯(lián)規(guī)則挖掘技術(shù)方面，我國所進(jìn)行的應(yīng)用研究并不是很廣泛，而且也不夠深入。

1.2Apriori算法

摘要：通過對電力市場營銷與關(guān)聯(lián)規(guī)則技術(shù)進(jìn)行探究，并相應(yīng)的地分析電力市場營銷分析中關(guān)聯(lián)規(guī)則技術(shù)的具體應(yīng)用。

關(guān)鍵詞：電力市場營銷分析；關(guān)聯(lián)規(guī)則技術(shù)；應(yīng)用探究

科學(xué)信息技術(shù)水平的不斷提高使人們產(chǎn)生的用電數(shù)據(jù)也在不斷地增長，怎樣從這些數(shù)據(jù)中找出有價(jià)值的信息是電力企業(yè)營銷工作的首要任務(wù)。而關(guān)聯(lián)規(guī)則技術(shù)作為一種重要的數(shù)據(jù)挖掘方法和手段，它可以有效發(fā)現(xiàn)相關(guān)研究對象與其影響因素的關(guān)聯(lián)性，滿足電力企業(yè)提取數(shù)據(jù)的需求，成為企業(yè)挖掘信息的重要步驟。隨著我國電力市場體制機(jī)制的不斷深化和改革，電力市場競爭越來越激烈，而且“廠網(wǎng)分開”之后，國內(nèi)很多發(fā)電部門開始關(guān)注競爭模式，并且為了在激烈的市場競爭中勝出，大部分電力企業(yè)都在努力地降低自身的經(jīng)營管理成本，加大對用戶需求情況和競爭企業(yè)的深入了解，以便調(diào)整自身的發(fā)展戰(zhàn)略和服務(wù)模式，進(jìn)而為廣大用電用戶提供更加優(yōu)質(zhì)的、個性化的電力服務(wù)。而關(guān)聯(lián)規(guī)則技術(shù)作為一種數(shù)據(jù)挖掘技術(shù)，應(yīng)用到電力市場營銷分析中去，不僅可以增加對市場信息的了解，而且還有利于提升企業(yè)的經(jīng)營管理水平，對電力企業(yè)的持續(xù)發(fā)展具有重要的作用。

1電力市場營銷的基本概念

本文所指的市場主要是指具有競爭性特點(diǎn)的電力市場，是電力企業(yè)和電能用戶之間通過競價(jià)、協(xié)商等方式來交易相關(guān)的電能產(chǎn)品，而且借助市場競爭來有效確定數(shù)量和價(jià)格的機(jī)制。而電力營銷市場主要是指電力企業(yè)在千變?nèi)f化的市場競爭環(huán)境中，為了不斷滿足廣大用戶的用電需求，采取各種形式的營銷手段和策略，向廣大用電用戶提供更加優(yōu)質(zhì)的電力產(chǎn)品和電力服務(wù)，不斷提升用電用戶的滿意度和信賴度，從而獲取更多利潤的一種銷售活動[1]。通俗來講，電力市場營銷就是在電力市場中通過交換行為來滿足潛在用戶和現(xiàn)實(shí)用戶需求的一個過程。

2關(guān)聯(lián)規(guī)則技術(shù)分析

摘要:作為民法理論基礎(chǔ)的民法規(guī)則、民法原則，共同組成了民法理論，為民事案件的審判提供了重要的法律依據(jù)。在其實(shí)際應(yīng)用過程中可以發(fā)現(xiàn)兩者之間的關(guān)聯(lián)性較強(qiáng)，共同為我國的法治化發(fā)展進(jìn)程發(fā)揮了重要的促進(jìn)作用。但是他們之間在存有關(guān)聯(lián)性的同時(shí)也具有本質(zhì)上的差異，在具體案件審判時(shí)還需要參照民法規(guī)則和民法原則進(jìn)行審判，結(jié)合實(shí)際情況正確的使用，因此本文主要探究民法規(guī)則、民法原則之間的關(guān)聯(lián)性所表現(xiàn)出的內(nèi)在聯(lián)系，以及他們之間的關(guān)聯(lián)性的差異表現(xiàn)，最后通過具體的案件審判進(jìn)行探究。

關(guān)鍵詞:民法規(guī)則;關(guān)聯(lián)性;民法原則

法律后果、構(gòu)成要件組成的法律規(guī)則就是民法規(guī)則，其特征是具體明確。而民法原則主要體現(xiàn)了經(jīng)濟(jì)基礎(chǔ)的特征、民法的本質(zhì)，是判斷民事行為、抽象價(jià)值的重要準(zhǔn)則。在民法的全部領(lǐng)域都可以使用民法原則，而民法規(guī)則則適用于民法的特定領(lǐng)域。深入研究兩者之間的關(guān)聯(lián)性，為實(shí)際應(yīng)用中提供便利，從而做出更加準(zhǔn)確的判決。

一、民法規(guī)則與民法原則的關(guān)聯(lián)性所表現(xiàn)出的內(nèi)在聯(lián)系

在民法領(lǐng)域范圍內(nèi)，民法規(guī)則與民法原則都適用，他們之間的關(guān)聯(lián)性較強(qiáng)，具有一些共同的特征，這些共同特征促使兩者之間存有密切的內(nèi)在聯(lián)系。主要表現(xiàn)在以下幾方面:

(一)在整個民事立法過程中的關(guān)聯(lián)性———兩者都可以體現(xiàn)出來

摘要：文章根據(jù)高校圖書館的實(shí)際業(yè)務(wù)需要，運(yùn)用關(guān)聯(lián)規(guī)則對高校圖書館學(xué)生的借閱數(shù)據(jù)進(jìn)行了挖掘分析。首先將圖書館歷史借閱數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理包括對數(shù)據(jù)進(jìn)行清理、集成、轉(zhuǎn)換以及建立事務(wù)數(shù)據(jù)庫；然后利用關(guān)聯(lián)規(guī)則挖掘算法（MFP-Miner算法）對事務(wù)數(shù)據(jù)庫進(jìn)行挖掘處理，挖掘出圖書借閱的關(guān)聯(lián)規(guī)則，為圖書借閱、圖書推薦等服務(wù)提供科學(xué)的數(shù)據(jù)支持，從而提升圖書館服務(wù)質(zhì)量。

關(guān)鍵詞：數(shù)據(jù)挖掘；關(guān)聯(lián)規(guī)則；MFP-Miner算法

0引言

在高校的教學(xué)和科研活動中圖書館發(fā)揮著重大作用，被稱作“大學(xué)心臟”。隨著計(jì)算機(jī)技術(shù)和網(wǎng)絡(luò)技術(shù)的廣泛應(yīng)用，圖書館也應(yīng)不斷提高圖書管理的信息化程度，完善服務(wù)功能，滿足當(dāng)前用戶的需求。為了提高圖書館工作管理效率，當(dāng)前，高校圖書館采用了數(shù)據(jù)庫技術(shù)實(shí)現(xiàn)圖書信息化管理。采用數(shù)據(jù)庫技術(shù)后圖書館的流通服務(wù)工作比過去有了很大的進(jìn)步，但仍然存在著一些問題。學(xué)生借閱信息是圖書流通管理中最重要的數(shù)據(jù)之一，如何利用這些數(shù)據(jù)，快速挖掘到有效信息，是圖書信息數(shù)據(jù)挖掘研究熱點(diǎn)。本文重點(diǎn)研究關(guān)聯(lián)規(guī)則在高校圖書館借閱信息的挖掘應(yīng)用。

1數(shù)據(jù)挖掘技術(shù)

1.1數(shù)據(jù)挖掘概念

摘要人壽保險(xiǎn)行業(yè)在激烈的市場競爭中生成了大量的保單業(yè)務(wù)，如何對這些海量信息進(jìn)行深層次的分析與挖掘，讓其發(fā)揮巨大的增值作用。針對這一問題，利用關(guān)聯(lián)規(guī)則挖掘技術(shù)從人壽保單數(shù)據(jù)中，分析投保人的各項(xiàng)特征與索賠的內(nèi)在關(guān)系，所得到的結(jié)論對保險(xiǎn)公司的業(yè)務(wù)發(fā)展具有重要的指導(dǎo)意義。

關(guān)鍵詞關(guān)聯(lián)規(guī)則；數(shù)據(jù)挖掘；人壽保險(xiǎn)

1引言

近年來，數(shù)據(jù)密集型的保險(xiǎn)行業(yè)經(jīng)過多年的運(yùn)營，也已經(jīng)積累了海量的歷史數(shù)據(jù)，這些數(shù)據(jù)是公司的重要財(cái)富。要從這些大量數(shù)據(jù)中獲取能給公司帶來無限商機(jī)的有價(jià)值信息，急需更高效的數(shù)據(jù)處理方法和技術(shù)。此時(shí)數(shù)據(jù)挖掘技術(shù)顯示出了它特有的優(yōu)越性。1

2關(guān)聯(lián)規(guī)則挖掘技術(shù)

數(shù)據(jù)挖掘(DataMining)是一個利用各種分析技術(shù)和工具從大量數(shù)據(jù)中提取有用知識的過程。它是一門交叉學(xué)科，把人們對數(shù)據(jù)的應(yīng)用從低層次的簡單查詢，提升到從數(shù)據(jù)中挖掘知識，提供決策支持。它包含很多技術(shù)與方法，其中關(guān)聯(lián)規(guī)則挖掘是一項(xiàng)非常重要的技術(shù)，是數(shù)據(jù)挖掘的一個主要研究方向。迄今為止，關(guān)聯(lián)規(guī)則挖掘已經(jīng)被應(yīng)用到很多領(lǐng)域，例如零售業(yè)、市場營銷、醫(yī)學(xué)等，為各個領(lǐng)域的決策支持提高了一個有效的手段。