跳到主要內容

臺灣博碩士論文加值系統

(3.235.56.11) 您好!臺灣時間:2021/07/29 05:18
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:高文瑞
研究生(外文):Wen-Jui Kao
論文名稱:在異動資料庫中有效率探勘關聯規則之演算法
論文名稱(外文):Efficient Algorithms for Mining Association Rules in Dynamic Databases
指導教授:陳垂呈陳垂呈引用關係
指導教授(外文):Chui-Cheng Chen
學位類別:碩士
校院名稱:南台科技大學
系所名稱:資訊管理系
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2007
畢業學年度:95
語文別:中文
論文頁數:70
中文關鍵詞:資料探勘關聯規則FP-tree異動資料庫布林演算法
相關次數:
  • 被引用被引用:3
  • 點閱點閱:173
  • 評分評分:
  • 下載下載:37
  • 收藏至我的研究室書目清單書目收藏:0
在資訊爆發的時代,日常生活中已經無法缺少資訊科技的協助,隨著時間的演進資訊技術也迅速的成長,資料儲存設備不只便宜,儲存空間也迅速擴展。然而要從這些龐大資料庫中,發掘出潛在有用的資料或知識,這個過程通稱為資料探勘(data mining)。資料探勘是從大量資料中,其可完成以下的工作或是更多:關聯規則(association rules)、次序相關(sequence)、分群化(clustering)、分類(classification)、及預測(forecasting)等。資料探勘技術可以廣泛應用在各個領域中,其中關聯規則探勘是最常被用來做分析的技術。而關聯規則是在資料探勘中最常被使用的方法之一,從關聯規則中可以找出產品之間的關係,有了這個規則,企業可以根據這個關聯規則所找出的關係作為制定產品行銷策略的參考依據。
而本研究的目的是以Frequent-Pattern tree為理論基礎,修改其特性,讓它只需要掃描一次資料庫,便能夠建立出在探勘時所需的資料結構,並從中找出高頻項目組,將該結構應用於異動資料庫中,探勘出關聯規則;再透過以布林運算為基礎的方法,探勘出關聯規則。最後,我們利用改良過後的演算法及布林運算的優點,在異動資料庫中有效率地探勘出關聯規則。
In the progressive time of the information, it wasn't possible to be lacking for cooperation of science and technology of information already in the daily life. With technological quick growth of the information from which development in time changes, the equipment of storage of material is very inexpensive, and space of storage is also expanded quickly. But find out potentially and useful information and knowledge from the huge database, this process is generally called “Data Mining”. It is from the large storage amount that the materials are mined, it functions as follows or more: association rule, sequence, clustering, classification, and forecasting etc. The data mining can be applied to each field extensively while association rules are most often used for analysis. Association rules which was always used most in the data mining is the way. It's possible to find a relation between the products from association rules. The association rules, the enterprise may according to the association rules which discovers relation to take the formulation product marketing strategy the reference.
The purpose of this research is to make Frequent-Pattern tree a basic of theory, and its property is revised. We proffer only to need to scan one time in the database, it can establish when the mining needs data structure, and find out frequent patterns in the database. The altered algorithm adds Boolean operation would be applied in the dynamic database. At length, the new data mining algorithm makes less time spent after large work of database search effort.
目 錄
摘 要 i
英文摘要 ii
致 謝 iv
目 次 v
表目錄 vii
圖目錄 ix
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 3
1.3 研究範圍與限制 5
1.4 研究流程 7
1.5 論文架構 8
第二章 相關文獻與探討 10
2.1 資料探勘介紹 10
2.2 關聯規則 13
2.3 FP-tree(Frequent-Pattern tree)演算法 14
2.4 布林演算法(Boolean algorithms) 20
2.5 異動探勘演算法 24
第三章 動態探勘關聯規則 25
3.1 D-tree演算法動態探勘關聯規則 25
3.2 實例說明 28
第四章 以布林運算為基礎探勘關聯規則 37
4.1 以布林運算為基礎之D-tree演算法 37
4.2 實例說明 40
第五章 以布林運算為基礎在異動資料庫中 探勘關聯規則 46
5.1 利用BD-tree動態探勘關聯規則 46
5.2 實例說明 50
第六章 系統建置與效能分析 56
6.1 實驗設備及實驗說明 56
6.2 探勘關聯規則之效能評估 59
6.3 動態探勘關聯規則之效能評估 62
第七章 結論與未來發展 65
7.1 研究結論 65
7.2 研究貢獻 65
7.3 未來方向 66
參考文獻 67
參考文獻
1 王啟俊,利用有效布林演算法探討多階層次頻繁項目集,立德管理學院,應用資訊所碩士論文,2003。
2 林欣慧、林詩偉,應用資料探勘技術於信用卡授信-以國內銀行為例,2006數位科技與創新管理國際研討會,2006。
3 許智豪,在動態資料庫中作線上挖掘關聯式法則,國立中興大學,資訊科學研究所碩士論文,2000。
4 連宏明,從交易資料庫中發掘含有時間間隔的序列型樣,輔仁大學,資訊工程研究所碩士論文,2001。
5 陳可欣,在動態交易資料庫中探勘線上關聯法則之設計與分析,臺南師範學院,資訊教育研究所碩士論文,2001。
6 陳東堅,利用有效率的方法提升高頻型樣樹之探勘關聯規則之效能,南台科技大學,資訊管理研究所碩士論文,2003。
7 陳垂呈,以有效率分群化演算法發掘消費者最適性之產品項目,TANET 2002 (台灣區網際網路研討會),2002。
8 陳垂呈,應用布林運算快速分群化交易項目,TANET 2001(台灣區網際網路研討會),2001。
9 陳榮昌、王浩永,模糊理論於顧客區隔與目標行銷上的應用,2004電子商務與數位生活研討會,2004。
10 廖俊凱,在大型交易資料庫中利用有效率演算法探勘數量關聯規則,南台科技大學,資訊管理研究所碩士論文,2004。
11 劉玉敏,線上漸進式網站使用探勘之研究-以產品推薦為例,雲林科技大學,資訊管理所碩士論文,2003。
12 蔡嘉安,利用關聯法則擴充搜尋引擎推薦關鍵字,大同大學,資訊工程研究所,碩士論文,2005。
13 賴春松,提昇資料探勘效率於企業行銷之應用,南台科技大學,資訊管理研究所碩士論文,2002。
14 賴瓊惠,使用布林演算法找出在大型資料庫中多階層序列型樣,台灣科技大學,資訊管理研究所碩士論文,2001。
15 韓志賢,在大型交易資料庫中利用有效率演算法探勘關聯規則,南台科技大學,資訊管理所碩士論文,2006。
16 顏秀珍,李御璽,王思穎,從交易資料庫中挖掘客戶的購物行為,第十四屆物件導向技術及應用研討會,2003。
17 顏秀珍、何仁傑、邱鼎穎。從大型資料庫中挖掘感興趣的型樣,第五屆人工智慧與應用研討會,2000。
18 C. C. Aggarwal and P. S. Yu, “Online Generation of Association Rules,” Proceedings of the IEEE ICDE 98, pp. 402-411, 1998.
19 R. Agrawal and R. Srikant, “Fast Algorithms for Mining Association Rules in Large Database,” Proceedings of the 20th International Conference on Very Large Data Bases, pp. 487-499, 1994.
20 R. Agrawal and R. Srikant, “Mining Sequential Patterns,” Proceedings of the 7th International Conference on Data Engineering, pp. 3-14, 1995.
21 N. F. Ayan, A. U. Tansel and E. Arkun, “An Efficient Algorithm to Update Large Itemsets with Early Pruning,” Proceedings of the 5th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 287-291, 1999.
22 M. J. A. Berry and G. Linoff, Data mining Technique For Marketing, Sale and Customer Support, Wiley Computer, 1997.
23 D. W. Cheung, J. Han, V. T. Ng, and C. Y. Wong, “Maintenance of Discovered Association Rules in Large Databases: An Incremental Updating Technique,” Proceedings of the 12th International Conference on Data Engineering, pp.106-114, 1996.
24 W. Cheung and O.R. Zaiane. “Incremental Mining of Frequent Patterns Without Candidate Generation or Support Constraint.” Proceedings of the 7th International Database Engineering and Applications Symposium, pp. 111–116, 2003.
25 D. W. Cheung, S. D. Lee, and B. Kao, “A General Incremental Technique for Maintaining Discovered Association Rules,” Proceedings of the 5th International Conference on Database Systems for Advanced Applications, pp. 185-194, 1997.
26 J. Han, J. Pei and Y. Yin, “Mining Frequent Patterns without Candidate Generation,” Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data, pp. 1-12, 2000.
27 C. H. Lee, C. R. Lin and M. S. Chen, “Sliding-Window Filtering: An Efficient Algorithm for Incremental Mining,” Proceedings of the 10th ACM International Conference on Information and Knowledge Management, pp. 263-270, 2001.
28 C. K.-S. Leung, Q. I. Khan and T. Hoque, “CanTree: A Tree Structure for Efficient Incremental Mining of Frequent Patterns.” Proceedings of the Fifth IEEE International Conference on Data Mining, pp. 274-281, 2005.
29 R. Ng, and J. Han, “Efficient and Effective Clustering Method for Spatial Data Mining,” Proceedings of International Conference Very Large Data Bases, pp. 144-155, 1994.
30 T. Y. Ng, M. L. Wong and P. Bao, “Incremental Mining of Association Ptterns on Compressed Data,” Proceedings of International Conference on Joint 9th IFSA World Congress and 20th NAFIPS, pp. 441-446, 2001.
31 J. R. Quinlan, “Induction of Decision Trees,” Machine Learning, Vol.1, pp.81-106, 1986.
32 R. Srikant and R. Agrawal, “Mining Generalized Association Rules,” Proceedings of the 21th International Conference on Very Large Data Bases, pp. 407-419, 1995.
33 R. Srikant and R. Agrawal, “Mining Quantitative Association Rules in Large Relational Tables,” Proceedings of the 1996 ACM SIGMOD Conference on Management of Data, pp. 1-12, 1996.
34 S. Thomas, S. Bodagala, K. Alsabti and S. Ranka, “An Efficient Algorithm for the Incremental Updating of Association Rules in Large Database,” Proceedings of the 3rd International Conference on Data Mining and Knowledge Discovery, pp. 263-266, 1997.
35 S. Y. Wur and Y. Leu, “An Effective Boolean Algorithm for Mining Association Rules in Large Databases”, Proceeding of the 6th International Conference on Database Systems for Advanced Applications, pp179-186, 1999.
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top