關(guān)聯(lián)規(guī)則在文本分類中的研究.pdf

1、關(guān)聯(lián)規(guī)則挖掘和文本分類都是數(shù)據(jù)挖掘領(lǐng)域的核心問題，兩種方法都被廣泛應(yīng)用于許多其它數(shù)據(jù)挖掘任務(wù)中，近年來越來越受到學(xué)術(shù)界的關(guān)注。本文對(duì)關(guān)聯(lián)規(guī)則在文本分類中的應(yīng)用進(jìn)行了深入的研究，在做此研究時(shí)，本文主要是從提高文本分類效率的角度出發(fā)，來對(duì)改進(jìn)關(guān)聯(lián)文本分類算法。 本文重點(diǎn)學(xué)習(xí)研究了以下幾個(gè)方面的問題：文本分類特征提取選擇、文本分類常用算法、關(guān)聯(lián)規(guī)則挖掘Apriori算法、經(jīng)典關(guān)聯(lián)文本分類CBA算法并提出更有效的關(guān)聯(lián)文本分類算法。目前關(guān)

2、聯(lián)文本分類CBA算法CBA-RG步驟中主要是使用了apriori算法來發(fā)現(xiàn)頻繁模式或關(guān)聯(lián)規(guī)則，本文針對(duì)apriori算法效率不高的弱點(diǎn)，從不同角度對(duì)Rule Generator步驟進(jìn)行了改進(jìn)，給出兩種改進(jìn)算法。主要的創(chuàng)新內(nèi)容包括： 1、利用完全圖的特性改進(jìn)關(guān)聯(lián)文本分類算法 完全圖的關(guān)聯(lián)文本改進(jìn)算法結(jié)合項(xiàng)集的特性構(gòu)造矩陣，根據(jù)矩陣生成頻繁項(xiàng)集關(guān)聯(lián)圖，再進(jìn)一步發(fā)掘了頻繁項(xiàng)集關(guān)聯(lián)圖與完全子圖的對(duì)應(yīng)關(guān)系。該算法的優(yōu)點(diǎn)還在于它可以

3、不用根據(jù)K-1項(xiàng)集求出K項(xiàng)集，它可以通過直接求出頻繁項(xiàng)集關(guān)聯(lián)圖的完全子圖來求得K項(xiàng)集。 2、利用二進(jìn)制粒計(jì)算的特性改進(jìn)關(guān)聯(lián)文本分類算法 提出了一種新的基于二進(jìn)制Granule計(jì)算的關(guān)聯(lián)規(guī)則算法，該算法從信息粒的角度出發(fā)，通過使用粒的“與運(yùn)算”，把a(bǔ)priori算法中需要掃描數(shù)據(jù)庫的鏈接步，改成了適合計(jì)算機(jī)操作的二進(jìn)制“與”運(yùn)算，從而簡(jiǎn)化了算法；通過做完“與運(yùn)算”以后直接統(tǒng)計(jì)信息粒中1的個(gè)數(shù)是否大于最小支持度的支持計(jì)數(shù)，消