主观兴趣度关联规则优化算法改进与应用

本文主要探讨了基于主观兴趣度的关联规则优化算法，旨在解决传统算法在兴趣度计算和用户含义表达上的不足。作者们提出了改进的兴趣度计算方法，并引入复合模板技术，以支持多维度的规则分析，从而提供更符合用户需求的关联规则。 在关联规则挖掘中，算法通常通过寻找项集间的频繁模式来生成规则。这些规则描述了项集之间的关联或依赖关系。然而，传统的关联规则可能包含大量对用户无实际意义的规则，因此，基于兴趣度的规则优化算法应运而生。这类算法结合用户的领域知识，对规则进行筛选和优化，帮助用户发现他们真正关心的规则。 本文指出，现有的兴趣度计算方法存在一些问题，比如计算方式不够恰当，可能导致不准确的兴趣度评估，以及用户含义表达的局限性。为解决这些问题，作者们提出了一种改进的算法。他们对单模板情况下的兴趣度计算进行了分类讨论，以更合理地评估规则的重要性。此外，他们还引入了复合模板的概念，这允许对规则进行多维度的分析，增强了用户对规则含义的表达能力。 通过两组对比实验，作者们证明了改进后的基于主观兴趣度的规则优化算法能够生成更合理的兴趣度排序结果，从而为用户提供更有价值的规则参考。这一改进对于数据挖掘领域具有重要意义，因为它提高了规则挖掘的效率和实用性，有助于用户更好地理解和利用挖掘出来的关联规则。 关键词: 关联规则、规则优化、模板、兴趣度 分类号: TP393 文献标志码: A 这篇论文发表在《四川大学学报(工程科学版)》2013年第45卷第4期，展示了电子科技大学计算机科学与工程学院和信息与软件学院的研究成果。通过这项研究，读者可以了解到如何通过改进的兴趣度计算方法和复合模板技术来优化关联规则，为数据挖掘和信息提取提供了新的思路。