跳到主要內容

臺灣博碩士論文加值系統

(34.204.180.223) 您好!臺灣時間:2021/08/05 23:56
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:陳尹婷
研究生(外文):Chen Yin Ting
論文名稱:利用有效率演算法探勘正負向關聯規則
論文名稱(外文):Using Efficient Algorithms for Mining Positive and Negative Associatin Rules
指導教授:陳垂呈陳垂呈引用關係
指導教授(外文):Chen Chui Cheng
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:72
中文關鍵詞:資料探勘關聯規則FP-tree正負向關聯規則異動資料庫
相關次數:
  • 被引用被引用:0
  • 點閱點閱:147
  • 評分評分:
  • 下載下載:21
  • 收藏至我的研究室書目清單書目收藏:2
隨著資訊技術發展迅速,企業獲取資訊的管道越來越多,產生的資料相對也就越來越複雜,這些資料中包含有許多潛藏的資訊,如何將隱藏的資訊挖掘出來,所利用的方法即為資料探勘(data mining)。從探勘過程中挖掘出來的規則,可以做為企業決策時的參考資訊。一般在探討關聯規則多是指探勘正向關聯規則,這些規則可以指出資料項目間的正面關聯性,例如買麵包就會買牛奶。對大部分的應用而言,這些正面的資訊是有用的,但就某些情況來說,其所提供的資訊仍嫌不足,無法做全方面的考量。因此,仍然需要其他有用的資訊來幫助決策進行,負向關聯規則的概念便因應而生。
在本論文中,將以FP-tree演算法為基礎,探勘正負向關聯規則,並改良FP-tree演算法,使其達到只掃描一次資料庫,便能建立出探勘時所需的資料結構,可以更有效率的探勘正負向關聯規則,藉由正負向規則的相互參考,提供更完整的資訊,滿足消費者的真實需求。最後,將直接建樹演算法應用於異動資料庫中,當資料產生變異時,不需再次掃描資料庫便可針對更新後的資料進行勘正負向關聯規則探勘,找出完整而有效的關聯規則。
As the information technology is developed rapidly, enterprises have more and more channels to obtain information, the data are relatively more and more complicated too. These data include a lot of hiding information, how to excavate hidden information out, the method is called data mining. Excavate the rule from the course of prospecting, can take as the reference information while making policy in enterprises. Generally probing into the association rule is more referring to mining positive association rules, these rules can point out the positive association between data items. For example, the coustomer will buy the milk when buying the bread. As to most application, this positive information is useful. But as to some situations, the information of providing is still not enough, it is unable to make the entire aspect the consideration. Therefore, still need other useful information to help decision to go on, so account for the concept of negative association rules.
In this thesis, we will take FP-tree algorithms as the base foundation mining positive and negative association rules. And we will modify FP-tree in order to build a new data structure that just need scan database one time to mining frequent itemsets, let it more efficient in mining positive and negative association rules. Finally, the algorithm is applied to the dynamic databasse. When the data variation is not scan database again, the algorithm can be aimed at variation data mining, find out the intact and efficient positive and negative association rules.
摘要 i
英文摘要 ii
致謝 iv
目次 v
表目錄 vii
圖目錄 viii
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 負向關聯規則 15
2.4 FP-tree演算法 18
2.5 異動探勘演算法 24
第三章 探勘正負向關聯規則之演算法 25
3.1 PNFP-tree的建立與探勘 25
3.2實例說明 28
第四章 直接建樹探勘正負向關聯規則之演算法 33
4.1 PND-tree的建立與探勘 33
4.2 實例說明 37
第五章 在異動資料庫中動態探勘正負向關聯規則 42
5.1 動態探勘正負向關聯規則之演算法 42
5.1.1 新增交易資料之動態探勘正負向關聯規則 43
5.1.2 刪除交易資料之動態探勘正負向關聯規則 46
5.2 實例說明 49
第六章 系統建置與效能分析 58
6.1 實驗設備及實驗說明 58
6.2 探勘正負向關聯規則演算法之效能評估 61
6.3動態探勘正負向關聯規則之效能評估 64
第七章 結論與未來發展 66
7.1 研究結論 66
7.2 研究貢獻 66
7.3 未來方向 67
參考文獻 69
I. 中文部分
1.李玉敏,旅遊網站推薦系統之研究,中原大學資訊管理研究所,碩士論文,民國92年。
2.林年茂,智慧型臨床檢驗資料探勘系統之設計與建構,中華大學資訊工程研究所,碩士論文,民國94年。
3.林書呈,利用資料探勘改善代理伺服器預先擷取效率之研究,國立中央大學資訊管理研究所,碩士論文,民國92年。
4.胡淑珍,運用資料探勘技術分析網路瀏覽行為序列,輔仁大學資訊管理研究所,碩士論文,民國90年。
5.張豫雯,應用資料探勘挖掘電子商務潛在客戶群,大同大學資訊工程研究所,碩士論文,民國92年。
6.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,民國89年。
7.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,民國90年。
8.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,民國90年。
9.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,民國92年。
10.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),民國91年。
11.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),民國90年。
12.鄒淑英,利用資料探勘技術探討超長天住院病人之相關屬性,元至大學資訊管理研究所,碩士論文,民國94年。
13.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,民國93年。
14.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,民國92年。
15.鄭滄祥、魏志平、蕭漢威、齊玉美,非對稱性分類分析之實證評估,第十四屆國際資訊管理學術研討會,民國92年。
16.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,民國91年。
17.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,民國90年。
18.謝水鳳,以調整FP樹狀結構為基礎之關聯規則漸進式探勘方法,國立台灣師範大學資訊教育研究所,碩士論文,民國91年。
19.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,民國95年。
20.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,民國92年。
II. 英文部分
21.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.
22.R. Agrawal, and R. Srikant, “Mining Sequential Patterns,” Proceedings of the 7th International Conference on Data Engineering, pp. 3-14, 1995.
23.N. F. Ayan, A. U. Tansel, and E. Arkun, “An Efficient Algorithm to Update Large Itemsets with Early Pruning,” Proceedings 5th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 287-291, 1999.
24.M. J. A. Berry, and G. Linoff, Data Mining Technique for Marketing, Sale, and Customer Support, John Wiley Computer, 1997.
25.S. Brin, R. Motwani, and C. Silverstein, “Beyond Marker Baskets: Generalizing Association Rules to Correlations,” Proceedings of the ACM SIGMOD International Conference on Management of Data, pp. 265-276, 1997.
26.D. W. Cheung, J. Han, V. Ng, and C.Y. Wang, “Maintenance of Discovered Association Rules in Large Database: An Incremental Updating Technique,” Proceedings of the 12th International Conference Data Eng, pp.106-114, 1996.
27.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.
28.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.
29.C. K. S. Leung, Q. I. Khan, T. Hoque, “CanTree: A Tree Structure for Efficient Incremental Mining of Frequent Patterns,” Proceedings of the 5th IEEE International Conference on Data Mining, pp. 274-281, 2005.
30.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.
31.J. S. Park, M. S. Chen, and P. S. Yu, “Using a Hash-Based Method with Transaction Trimming for Mining Association Rules,” IEEE Transactions on Knowledge and Data Engineering, Vol. 9. No.3, pp. 813-825, 1992.
32.J. R. Quinlan, “Induction of Decision Trees,” Machine Learning, Vol.1, pp. 81-106, 1986.
33.A. Savasere, E. Omiecinski, S. Navathe, “Mining for Strong Negative Associations in a Large Database of Customer Transactions,” Proceedings of the IEEE 14th International Conference on Data Engineering, pp. 494-502, 1998.
34.R. Srikant, and R. Agrawal, “Mining Generalized Association Rules,” Proceedings of the 21th International Conference on Very Large Data Bases, pp. 407-419, 1995.
35.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.
36.S. M. Weiss and C. A. Kulikowski, Computer System that Learn: Classification and Prediction Methods from Statistics, Neural Nets, Machine Learning, and Expert System, Morgan Kaufman, 1991.
37.C. Zhang, and S. Zhang, Association Rules Mining: Models and Algorithms, Sptinger-Verlag Publishers, Lecture Not, 2002.
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