基于贝叶斯网络的频繁模式兴趣度计算及剪枝

被引：3

作者：

胡春玲 ^{[1
,2
]}

吴信东 ^{[1
]}

胡学钢 ^{[1
]}

姚宏亮 ^{[1
]}

机构：

[1] 合肥工业大学计算机与信息学院

[2] 合肥学院网络与智能信息处理重点实验室

来源：

软件学报 | 2011年 / 22卷 / 12期

关键词：

频繁模式; 贝叶斯网络; 邻接树; 兴趣度; 剪枝;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

采用贝叶斯网络表示领域知识,提出一种基于领域知识的频繁项集和频繁属性集的兴趣度计算和剪枝方法 BN-EJTR,其目的在于发现与当前领域知识不一致的知识,以解决频繁模式挖掘所面临的有趣性和冗余问题.针对兴趣度计算过程中批量推理的需求,BN-EJTR提供了一种基于扩展邻接树消元的贝叶斯网络推理算法,用于计算大量项集在贝叶斯网络中的支持度;同时,BN-EJTR提供了一种基于兴趣度阈值和拓扑有趣性的剪枝算法.实验结果表明,与同类方法相比,方法 BN-EJTR具有良好的时间性能,而且剪枝效果明显;分析发现,经过剪枝后的频繁属性集和频繁项集相对于领域知识符合有趣性要求.

引用

页码：2934 / 2950

页数：17

共 8 条

[1] 基于矩阵加权关联规则挖掘的伪相关反馈查询扩展 [J].

黄名选 ;

严小卫 ;

张师超 .

软件学报, 2009, 20 (07) :1854-1865

[2] 一种基于依赖分析的贝叶斯网络结构学习算法 [J].

胡学钢 ;

胡春玲 .

模式识别与人工智能, 2006, 19 (04) :445-449

[3]

Bayes网络理论及其在目标检测中应用研究[D]. 汪荣贵.合肥工业大学 2004

[4] Scalable pattern mining with Bayesian networks as background knowledge [J].

Jaroszewicz, Szymon ;

Scheffer, Tobias ;

Simovici, Dan A. .

DATA MINING AND KNOWLEDGE DISCOVERY, 2009, 18 (01) :56-100

[5]

Frequent pattern mining: current status and future directions[J] . Jiawei Han,Hong Cheng,Dong Xin,Xifeng Yan.Data Mining and Knowledge Discovery . 2007 (1)

[6]

Unifying tree decompositions for reasoning in graphical models[J] . Kalev Kask,Rina Dechter,Javier Larrosa,Avi Dechter.Artificial Intelligence . 2005 (1)

[7]

Mining itemset utilities from transaction databases[J] . Hong Yao,Howard J. Hamilton.Data ＆ Knowledge Engineering . 2005 (3)

[8]

Generating non-redundant association rules. Zaki MJ. Proceedings of the 6th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining . 2000

← 1 →