关联规则挖掘：新模型与正负相关探索

"关联规则挖掘的新模型 (2004年) - 刘建华 - 福建师范大学学报(自然科学版) - 文章编号 1000-5277(2004)02-0032-04 - TP392 - A" 关联规则挖掘是数据挖掘领域中的一个重要分支，它旨在发现数据集中物品之间的有趣关系，这些关系通常以形式化的规则表示，如“如果购买了商品A，那么也有可能购买商品B”。经典的关联规则模型基于支持度（Support）和置信度（Confidence）这两个核心度量标准。 支持度定义了一个项集（例如，商品组合）在所有交易中出现的频率，计算公式为：Support(X) = 频繁项集X在所有交易中出现的比例。置信度则表示在已知项集X出现的情况下，项Y出现的概率，计算公式为：Confidence(X→Y) = Support(X∪Y) / Support(X)。 然而，传统关联规则模型存在一些局限性。首先，它主要关注正相关关系，即两个项同时出现的情况，而忽略了可能存在的负相关关系，比如“购买A商品的人较少购买B商品”。其次，该模型可能产生大量的冗余规则，这增加了用户的分析负担。此外，支持度和置信度的阈值设定直接影响到挖掘结果的数量和质量，选择合适的阈值并不总是直观的。 刘建华在论文中分析了这些不足，提出了一个新的关联规则模型，旨在增强对正相关和负相关规则的挖掘能力。这个新模型可能包括对原有支持度和置信度的扩展或调整，例如引入新的度量指标来捕捉负相关性，或者通过改进的算法减少冗余规则的产生。这样的改进使得用户能够更全面地了解数据集中的各种关联，从而获得更有价值的洞察。 在实际应用中，关联规则挖掘广泛应用于市场篮子分析、推荐系统、网络日志分析等多个领域。新的关联规则模型能够帮助业务决策者发现潜在的市场趋势，优化营销策略，或者提高系统推荐的准确性。通过深入研究和优化这些度量标准，我们可以更好地理解数据背后隐藏的模式，进一步提升数据挖掘的效率和效果。