關聯(lián)規(guī)則在文本分類中的研究.pdf

1、關聯(lián)規(guī)則挖掘和文本分類都是數(shù)據(jù)挖掘領域的核心問題，兩種方法都被廣泛應用于許多其它數(shù)據(jù)挖掘任務中，近年來越來越受到學術界的關注。本文對關聯(lián)規(guī)則在文本分類中的應用進行了深入的研究，在做此研究時，本文主要是從提高文本分類效率的角度出發(fā)，來對改進關聯(lián)文本分類算法。 本文重點學習研究了以下幾個方面的問題：文本分類特征提取選擇、文本分類常用算法、關聯(lián)規(guī)則挖掘Apriori算法、經(jīng)典關聯(lián)文本分類CBA算法并提出更有效的關聯(lián)文本分類算法。目前關

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)頻繁模式或關聯(lián)規(guī)則，本文針對apriori算法效率不高的弱點，從不同角度對Rule Generator步驟進行了改進，給出兩種改進算法。主要的創(chuàng)新內容包括： 1、利用完全圖的特性改進關聯(lián)文本分類算法 完全圖的關聯(lián)文本改進算法結合項集的特性構造矩陣，根據(jù)矩陣生成頻繁項集關聯(lián)圖，再進一步發(fā)掘了頻繁項集關聯(lián)圖與完全子圖的對應關系。該算法的優(yōu)點還在于它可以

3、不用根據(jù)K-1項集求出K項集，它可以通過直接求出頻繁項集關聯(lián)圖的完全子圖來求得K項集。 2、利用二進制粒計算的特性改進關聯(lián)文本分類算法 提出了一種新的基于二進制Granule計算的關聯(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“與運算”，把apriori算法中需要掃描數(shù)據(jù)庫的鏈接步，改成了適合計算機操作的二進制“與”運算，從而簡化了算法；通過做完“與運算”以后直接統(tǒng)計信息粒中1的個數(shù)是否大于最小支持度的支持計數(shù)，消