CN112597236B - 一种基于概念格的关联规则的优化方法及可视化展示方法 - Google Patents

一种基于概念格的关联规则的优化方法及可视化展示方法 Download PDF

Info

Publication number
CN112597236B
CN112597236B CN202011405706.8A CN202011405706A CN112597236B CN 112597236 B CN112597236 B CN 112597236B CN 202011405706 A CN202011405706 A CN 202011405706A CN 112597236 B CN112597236 B CN 112597236B
Authority
CN
China
Prior art keywords
association rule
attribute
piece
association
source data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011405706.8A
Other languages
English (en)
Other versions
CN112597236A (zh
Inventor
沈夏炯
鲍立杰
姜帅民
黄亚博
张磊
丁文珂
陈万
许遨鹏
相洪振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University
Original Assignee
Henan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan University filed Critical Henan University
Priority to CN202011405706.8A priority Critical patent/CN112597236B/zh
Publication of CN112597236A publication Critical patent/CN112597236A/zh
Application granted granted Critical
Publication of CN112597236B publication Critical patent/CN112597236B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/258—Data format conversion from or to a database
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于概念格的关联规则的优化方法及可视化展示方法，依次包括以下步骤：A：提取基础数据系统中的源数据并进行封装，然后根据设定的筛选规则对封装后的源数据进行筛选，最后将筛选后得到的经封装的源数据生成概念格；源数据包含多个对象信息和每个对象对应的属性信息；B：对所获得的概念格中的关联规则进行提取，然后对提取得到的关联规则的路径，分别进行支持度计算和置信度计算，并根据支持度阈值和置信度阈值进行过滤，得到优化后的关联规则。本发明提高了关联规则提取的相关度，且可以根据给定的约束条件以可视化形式动态地展示关联规则。

Description

一种基于概念格的关联规则的优化方法及可视化展示方法
技术领域
本发明涉及数据挖掘领域，尤其涉及一种基于概念格的关联规则的优化方法及可视化展示方法。
背景技术
关联规则挖掘是指通过一定的手段发现大量数据中项集之间的关联或相关联系，是数据挖掘领域中重要的组成部分。关联规则挖掘的一个典型例子是购物篮分析，关联规则研究有助于发现交易数据库种不同商品项之间的联系，找出顾客购买行为模式，如购买了某一商品对购买其他商品的影响，分析结果可以应用于商品货架布局、存货安排等。概念格则是一种在海量数据中提取关联信息的工具，概念格的生成过程其实就是概念聚类的过程，通过生成Hasse图能够直观表示出概念之间的层次关系以及体现概念之间的泛化和例化关系。
一方面，关联规则挖掘算法常常会产生大量的规则，使用户分析和利用这些规则变得困难，导致关联规则提取的相关度不高。另一方面，关联规则的展示方法单一，不便于分析人员对结果进行有效分析。
由于可视化技术充分利用了图形和图像的表达能力以及人对于色彩和形状的敏锐感知能力，从而使用户可以更加方便并深入地对结果进行观察和分析。近年来，已经提出了多种可视化技术来支持用户对关联规则进行观察和分析。现有的关联规则挖掘常用的可视化方法包括基于表的可视化技术、基于二维矩阵的可视化技术和基于有向图的可视化技术和。但是，基于表、二维矩阵的可视化技术表达效果较差，而且在可视化多对一或是多对多关系的规则时，无法进行全面有效的表达；基于有向图的可视化技术虽然一定程度上解决了上述问题，但是在显示大量规则时容易产生界面紊乱的问题。
发明内容
本发明的目的是提供一种基于概念格的关联规则的优化方法及可视化展示方法，通过引入支持度与置信度对关联规则进行进一步优化，提高了关联规则提取的相关度，且可以根据给定的约束条件以可视化形式动态地展示关联规则。
本发明采用下述技术方案：
一种基于概念格的关联规则的优化方法，依次包括以下步骤：
A：提取基础数据系统中的源数据并进行封装，然后根据设定的筛选规则对封装后的源数据进行筛选，最后将筛选后得到的经封装的源数据生成概念格；源数据包含多个对象信息和每个对象对应的属性信息；
B：对所获得的概念格中的关联规则进行提取，然后对提取得到的关联规则的路径，分别进行支持度计算和置信度计算，并根据支持度阈值和置信度阈值进行过滤，得到优化后的关联规则。
所述的步骤A包括以下具体步骤：
A1：从基础数据系统中，提取csv格式或Excle格式的源数据，然后将获取的源数据导入概念格生成系统Conexp中，将csv格式或Excle格式的待挖掘的源数据以数据框的形式进行保存，完成源数据的封装；
A2：设定筛选规则，对封装后的源数据进行筛选；筛选的内容包括对象信息和对象的属性信息；
A3：利用概念格生成系统Conexp，将筛选后得到的经封装的源数据生成概念格，概念格内包含多个对象对应的属性信息中的交集部分、每个对象信息及每个对象对应的属性信息。
所述的步骤B中，按照以下具体步骤对所获得的概念格中的关联规则进行提取；
B1：将概念格中的每个对象对应的属性信息结点都放入集合M中，然后对集合M中的第一个属性信息结点，使用结点迭代器iterator判断第一个属性信息结点的关联规则前件属性的个数是否为1；
定义关联规则前件结点为PNode，如果关联规则前件属性的个数PLength＝1，则进入步骤B2；如果关联规则前件属性的个数PLength>1，则进入步骤B3；
B2：将关联规则前件结点PNode添加到集合Collection中；然后定义关联规则后件结点为CNode，对第一个属性信息结点的关联规则后件属性的个数CLength是否为1进行判断；
如果关联规则后件属性的个数CLength＝1，则将关联规则后件属性的个数CLength添加到集合Nn中；
如果关联规则后件属性的个数CLength>1，则将关联规则后件属性分割成多个单一属性，然后将关联规则后件属性分割得到的多个单一属性结点添加到集合Collection中；然后使用深度优先遍历算法，计算集合M中的第一个属性信息结点中关联规则前件结点PNode，到关联规则后件属性分割得到的每一个单一属性结点的路径，最后将关联规则前件结点PNode和关联规则后件属性分割得到的所有单一属性结点添加到集合Nn中；
B3：将关联规则前件属性分割成多个单一属性，并将分割得到的多个单一属性结点添加到集合Collection中；然后判断关联规则后件属性的个数CLength是否为1；
如果关联规则后件属性的个数CLength＝1，则直接将关联规则后件结点添加到集合Collection中，然后将关联规则前件属性分割得到的多个单一属性结点，分别与关联规则后件结点进行与运算，并将计算结果添加到集合Collection中；再使用深度优先遍历算法，计算关联规则前件属性分割得到的多个单一属性结点到关联规则后件结点的路径，最后将关联规则前件属性分割得到的所有单一属性结点和关联规则后件结点添加到集合Nn中；
如果关联规则后件属性的个数CLength>1，则将关联规则前件属性和关联规则后件属性都分割成多个单一属性结点，并将分割得到的所有的单一属性结点添加到集合Collection中，再使用深度优先遍历算法，分别计算关联规则前件属性分割得到的每个单一属性结点，与关联规则后件属性分割成每个单一属性结点的路径，最后将关联规则前件属性和关联规则后件属性分割得到的所有单一属性结点添加到集合N′n中；
B4：对集合M中剩余的每一个属性信息结点，按照步骤B1至B3的方法进行迭代计算，得到最终确定的集合N′n，集合N′n中存储的结点均位于关联规则所确定的路径上。
所述的步骤B中，在对提取得到的关联规则的路径进行支持度计算和置信度计算时，所使用支持度的计算公式为：
Figure BDA0002818469070000041
置信度的计算公式为：
Figure BDA0002818469070000042
其中，A与B分别表示关联规则的前件和后件；P(A∪B)表示A与B同时出现的概率值；P(A|B)表示在A发生的条件下，B也同时出现的概率值；
所述的步骤B中，支持度阈值和置信度阈值由分析人员设定得到，利用支持度阈值和置信度阈值对关联规则进行优化时，选取支持度和置信度均大于支持度阈值和置信度阈值的关联规则，作为优化后的关联规则。
对如权利要求1所述的基于概念格的关联规则优化后的可视化展示方法，依次包括以下步骤：
C：基于Java图形界面，首先在Java图形界面中构造两条水平直线分别表示关联规则的前件和后件，然后按照源数据中对象对应的属性信息的个数N，在两条水平直线上分别均匀设置N个点，两条水平直线上的N个点表示该关联规则的前件属性和后件属性；再在两条水平直线中间绘制一个基于X-Y-Z的三维坐标系，保留X-Y坐标系，X轴为支持度坐标轴，Y轴为置信度坐标轴，且X轴和Y轴的刻度区间为0-1，且最小刻度为0.1；
D：基于Java图形界面，将优化后的关联规则绘制成立体图。
所述的步骤D包括以下步骤：
D1：在Java图形界面中，根据步骤C中得到立体图形，将步骤B中计算得到的关联规则的支持度和置信度，在XY坐标系中标出坐标点，然后将优化后的关联规则的前件属性和后件属性，分别与坐标点连接成线，完成关联规则的可视化展示。
D2：按照步骤D1，依次将所有的优化后的关联规则绘制成立体图。
本发明在数据量激增的情况下，通过对海量数据存储和挖掘，采用支持度与置信度对关联规则进行进一步优化，方便用户从数据中挖掘潜在的关联规则，同时有效增加了关联规则提取的相关度，为后续的关联规则利用提供准确的数据支持。另外，本发明可以根据给定的约束条件以可视化形式动态地展示关联规则，可视化效果在随着关联规则数量增多时，不会出现界面紊乱的情况，便于分析人员分析。
附图说明
图1为本发明的流程示意图；
图2为本发明中立体图的示意图。
具体实施方式
以下结合附图和实施例对本发明作以详细的描述：
如图1所示，本发明所述的基于概念格的关联规则的优化方法，依次包括以下步骤：
A：提取基础数据系统中的源数据并进行封装，然后根据设定的筛选规则对封装后的源数据进行筛选，最后将筛选后得到的经封装的源数据生成概念格；源数据包含多个对象信息和每个对象对应的属性信息；
所述的步骤A包括以下具体步骤：
A1：从基础数据系统中，提取csv格式或Excle格式的源数据，然后将获取的源数据导入概念格生成系统Conexp中，将csv格式或Excle格式的待挖掘的源数据以数据框的形式进行保存，完成源数据的封装；
A2：设定筛选规则，对封装后的源数据进行筛选；筛选的内容包括对象信息和对象的属性信息；
A3：利用概念格生成系统Conexp，将筛选后得到的经封装的源数据生成概念格，概念格内包含多个对象对应的属性信息中的交集部分、每个对象信息及每个对象对应的属性信息。
B：对所获得的概念格中的关联规则进行提取，然后对提取得到的关联规则的路径，分别进行支持度计算和置信度计算，并根据支持度阈值和置信度阈值进行过滤，得到优化后的关联规则。结合概念格的关联规则能够结合对象和属性两个层次进行分析，提高了潜在数据的发掘能力，增强了关联规则提取的相关度。
步骤B中，按照以下具体步骤对所获得的概念格中的关联规则进行提取；
B1：将概念格中的每个对象对应的属性信息结点都放入集合M中，然后对集合M中的第一个属性信息结点，使用结点迭代器iterator判断第一个属性信息结点的关联规则前件属性的个数是否为1；
定义关联规则前件结点为PNode，如果关联规则前件属性的个数PLength＝1，则进入步骤B2；如果关联规则前件属性的个数PLength>1，则进入步骤B3；
B2：将关联规则前件结点PNode添加到集合Collection中；然后定义关联规则后件结点为CNode，对第一个属性信息结点的关联规则后件属性的个数CLength是否为1进行判断；
如果关联规则后件属性的个数CLength＝1，则将关联规则后件属性的个数CLength添加到集合Nn中；
如果关联规则后件属性的个数CLength>1，则将关联规则后件属性分割成多个单一属性，然后将关联规则后件属性分割得到的多个单一属性结点添加到集合Collection中；然后使用深度优先遍历算法，计算集合M中的第一个属性信息结点中关联规则前件结点PNode，到关联规则后件属性分割得到的每一个单一属性结点的路径，最后将关联规则前件结点PNode和关联规则后件属性分割得到的所有单一属性结点添加到集合Nn中；
B3：将关联规则前件属性分割成多个单一属性，并将分割得到的多个单一属性结点添加到集合Collection中；然后判断关联规则后件属性的个数CLength是否为1；
如果关联规则后件属性的个数CLength＝1，则直接将关联规则后件结点添加到集合Collection中，然后将关联规则前件属性分割得到的多个单一属性结点，分别与关联规则后件结点进行与运算，并将计算结果添加到集合Collection中；再使用深度优先遍历算法，计算关联规则前件属性分割得到的多个单一属性结点到关联规则后件结点的路径，最后将关联规则前件属性分割得到的所有单一属性结点和关联规则后件结点添加到集合Nn中；
如果关联规则后件属性的个数CLength>1，则将关联规则前件属性和关联规则后件属性都分割成多个单一属性结点，并将分割得到的所有的单一属性结点添加到集合Collection中，再使用深度优先遍历算法，分别计算关联规则前件属性分割得到的每个单一属性结点，与关联规则后件属性分割成每个单一属性结点的路径，最后将关联规则前件属性和关联规则后件属性分割得到的所有单一属性结点添加到集合N′n中。
B4：对集合M中剩余的每一个属性信息结点，按照步骤B1至B3的方法进行迭代计算，得到最终确定的集合N′n，集合N′n中存储的结点均位于关联规则所确定的路径上。
步骤B中，在对提取得到的关联规则的路径进行支持度计算和置信度计算时，所使用支持度的计算公式为：
Figure BDA0002818469070000071
置信度的计算公式为：
Figure BDA0002818469070000072
其中，A与B分别表示关联规则的前件和后件；P(A∪B)表示A与B同时出现的概率值；P(A|B)表示在A发生的条件下，B也同时出现的概率值。
步骤B中，支持度阈值和置信度阈值由分析人员设定得到，利用支持度阈值和置信度阈值对关联规则进行优化时，选取支持度和置信度均大于支持度阈值和置信度阈值的关联规则，作为优化后的关联规则。
例如：在7次交易中有一次交易时同时购买了苹果(apple)、香蕉(banana)和樱桃(cherry)，则此次交易中
Figure BDA0002818469070000081
Figure BDA0002818469070000082
另外同时购买苹果和香蕉的有两个交易，其中一个交易也购买了樱桃，则交易中
Figure BDA0002818469070000083
设置支持度阈值minsup＝10％，置信度阈值minconf＝40％。由于
Figure BDA0002818469070000084
Figure BDA0002818469070000085
则此条规则被提取出来作为优化后的关联规则。
按照上述方法对基于概念格的关联规则优化后，为了加强优化后规则的表达效果，本发明还设计了基于概念格的关联规则优化后的可视化展示方法，依次包括以下步骤：
C：基于Java图形界面，首先在Java图形界面中构造两条水平直线分别表示关联规则的前件和后件，然后按照源数据中对象对应的属性信息的个数N，在两条水平直线上分别均匀设置N个点，两条水平直线上的N个点表示该关联规则的前件属性和后件属性；再在两条水平直线中间绘制一个基于X-Y-Z的三维坐标系，保留X-Y坐标系，X轴为支持度坐标轴sup，Y轴为置信度坐标轴conf，且X轴和Y轴的刻度区间为0-1，且最小刻度为0.1；
D：基于Java图形界面，将优化后的关联规则绘制成立体图。
D1：在Java图形界面中，根据步骤C中得到立体图形，将步骤B中计算得到的关联规则的支持度和置信度，在XY坐标系中标出坐标点，然后将优化后的关联规则的前件属性和后件属性，分别与坐标点连接成线，完成关联规则的可视化展示。关联规则的可视化展示不仅可以展示出关联关系，而且有助于对数据的全面分析和潜在数据的发现，将抽象的规则转化为一种更直观、友好的方式促进用户对数据的理解和应用。
如图2所示，图中X轴为支持度坐标轴sup，Y轴为置信度坐标轴conf，点m为根据计算得到的关联规则的支持度和置信度的坐标点，点a至点g分别表示该关联规则的前件属性和后件属性。
D2：按照步骤D1，依次将所有的优化后的关联规则绘制成立体图，如图2所示。
本发明在数据量激增的情况下，通过对海量数据存储和挖掘，方便用户从数据中挖掘潜在的关联规则，同时有效增加了关联规则提取的相关度。另外，本发明可视化效果在随着关联规则数量增多时，不会出现界面紊乱的情况，便于分析人员分析，为后续的关联规则利用提供准确的数据支持。

Claims (3)

1.一种基于概念格的关联规则可视化展示方法，其特征在于，依次包括以下步骤：
A：提取基础数据系统中的源数据并进行封装，然后根据设定的筛选规则对封装后的源数据进行筛选，最后将筛选后得到的经封装的源数据生成概念格；源数据包含多个对象信息和每个对象对应的属性信息；
B：对所获得的概念格中的关联规则进行提取，然后对提取得到的关联规则的路径，分别进行支持度计算和置信度计算，并根据支持度阈值和置信度阈值进行过滤，得到优化后的关联规则；
C：基于Java图形界面，首先在Java图形界面中构造两条水平直线分别表示关联规则的前件和后件，然后按照源数据中对象对应的属性信息的个数N，在两条水平直线上分别均匀设置N个点，两条水平直线上的N个点表示该关联规则的前件属性和后件属性；再在两条水平直线中间绘制一个基于X-Y-Z的三维坐标系，保留X-Y坐标系，X轴为支持度坐标轴，Y轴为置信度坐标轴，且X轴和Y轴的刻度区间为0-1，且最小刻度为0.1；
D：基于Java图形界面，将优化后的关联规则绘制成立体图；
其中，步骤A包括以下具体步骤：
A1：从基础数据系统中，提取csv格式或Excle格式的源数据，然后将获取的源数据导入概念格生成系统Conexp中，将csv格式或Excle格式的待挖掘的源数据以数据框的形式进行保存，完成源数据的封装；
A2：设定筛选规则，对封装后的源数据进行筛选；筛选的内容包括对象信息和对象的属性信息；
A3：利用概念格生成系统Conexp，将筛选后得到的经封装的源数据生成概念格，概念格内包含多个对象对应的属性信息中的交集部分、每个对象信息及每个对象对应的属性信息；
步骤B中，按照以下具体步骤对所获得的概念格中的关联规则进行提取：
B1：将概念格中的每个对象对应的属性信息结点都放入集合M中，然后对集合M中的第一个属性信息结点，使用结点迭代器iterator判断第一个属性信息结点的关联规则前件属性的个数是否为1；
定义关联规则前件结点为PNode，如果关联规则前件属性的个数PLength＝1，则进入步骤B2；如果关联规则前件属性的个数PLength>1，则进入步骤B3；
B2：将关联规则前件结点PNode添加到集合Collection中；然后定义关联规则后件结点为CNode，对第一个属性信息结点的关联规则后件属性的个数CLength是否为1进行判断；
如果关联规则后件属性的个数CLength＝1，则将关联规则后件属性的个数CLength添加到集合Nn中；
如果关联规则后件属性的个数CLength>1，则将关联规则后件属性分割成多个单一属性，然后将关联规则后件属性分割得到的多个单一属性结点添加到集合Collection中；然后使用深度优先遍历算法，计算集合M中的第一个属性信息结点中关联规则前件结点PNode，到关联规则后件属性分割得到的每一个单一属性结点的路径，最后将关联规则前件结点PNode和关联规则后件属性分割得到的所有单一属性结点添加到集合Nn中；
B3：将关联规则前件属性分割成多个单一属性，并将分割得到的多个单一属性结点添加到集合Collection中；然后判断关联规则后件属性的个数CLength是否为1；
如果关联规则后件属性的个数CLength＝1，则直接将关联规则后件结点添加到集合Collection中，然后将关联规则前件属性分割得到的多个单一属性结点，分别与关联规则后件结点进行与运算，并将计算结果添加到集合Collection中；再使用深度优先遍历算法，计算关联规则前件属性分割得到的多个单一属性结点到关联规则后件结点的路径，最后将关联规则前件属性分割得到的所有单一属性结点和关联规则后件结点添加到集合Nn中；
如果关联规则后件属性的个数CLength>1，则将关联规则前件属性和关联规则后件属性都分割成多个单一属性结点，并将分割得到的所有的单一属性结点添加到集合Collection中，再使用深度优先遍历算法，分别计算关联规则前件属性分割得到的每个单一属性结点，与关联规则后件属性分割成每个单一属性结点的路径，最后将关联规则前件属性和关联规则后件属性分割得到的所有单一属性结点添加到集合N′n中；
B4：对集合M中剩余的每一个属性信息结点，按照步骤B1至B3的方法进行迭代计算，得到最终确定的集合N′n，集合N′n中存储的结点均位于关联规则所确定的路径上；
步骤D包括以下步骤：
D1：在Java图形界面中，根据步骤C中得到立体图形，将步骤B中计算得到的关联规则的支持度和置信度，在XY坐标系中标出坐标点，然后将优化后的关联规则的前件属性和后件属性，分别与坐标点连接成线，完成关联规则的可视化展示；
D2：按照步骤D1，依次将所有的优化后的关联规则绘制成立体图。
2.根据权利要求1所述的基于概念格的关联规则可视化展示方法，其特征在于，所述的步骤B中，在对提取得到的关联规则的路径进行支持度计算和置信度计算时，所使用支持度的计算公式为：
Figure FDA0003830556870000031
置信度的计算公式为：
Figure FDA0003830556870000032
其中，A与B分别表示关联规则的前件和后件；P(A∪B)表示A与B同时出现的概率值；P(A|B)表示在A发生的条件下，B也同时出现的概率值。
3.根据权利要求1所述的基于概念格的关联规则可视化展示方法，其特征在于：所述的步骤B中，支持度阈值和置信度阈值由分析人员设定得到，利用支持度阈值和置信度阈值对关联规则进行优化时，选取支持度和置信度均大于支持度阈值和置信度阈值的关联规则，作为优化后的关联规则。
CN202011405706.8A 2020-12-04 2020-12-04 一种基于概念格的关联规则的优化方法及可视化展示方法 Active CN112597236B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011405706.8A CN112597236B (zh) 2020-12-04 2020-12-04 一种基于概念格的关联规则的优化方法及可视化展示方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011405706.8A CN112597236B (zh) 2020-12-04 2020-12-04 一种基于概念格的关联规则的优化方法及可视化展示方法

Publications (2)

Publication Number Publication Date
CN112597236A CN112597236A (zh) 2021-04-02
CN112597236B true CN112597236B (zh) 2022-10-25

Family

ID=75188173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011405706.8A Active CN112597236B (zh) 2020-12-04 2020-12-04 一种基于概念格的关联规则的优化方法及可视化展示方法

Country Status (1)

Country Link
CN (1) CN112597236B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1115895A (ja) * 1997-06-19 1999-01-22 Fujitsu Ltd データ表示装置、データ表示方法、およびデータ表示用プログラムを記録した記録媒体
JP2014146119A (ja) * 2013-01-28 2014-08-14 Nec Corp ルール発見装置と方法及びプログラム
CN106802936A (zh) * 2016-12-29 2017-06-06 桂林电子科技大学 一种基于项集熵的数据挖掘方法
GB201803769D0 (en) * 2015-10-30 2018-04-25 Univ Xihua Vector operation-based association rule mining method
CN108717786A (zh) * 2018-07-17 2018-10-30 南京航空航天大学 一种基于普适性元规则的交通事故致因挖掘方法
CN109299282A (zh) * 2018-08-16 2019-02-01 山东女子学院 基于文本分析及关联规则挖掘的概念图自动生成方法
CN111274282A (zh) * 2020-01-07 2020-06-12 北京科技大学 一种空气质量挖掘系统、方法及数据采集监控装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11556838B2 (en) * 2019-01-09 2023-01-17 Sap Se Efficient data relationship mining using machine learning

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1115895A (ja) * 1997-06-19 1999-01-22 Fujitsu Ltd データ表示装置、データ表示方法、およびデータ表示用プログラムを記録した記録媒体
JP2014146119A (ja) * 2013-01-28 2014-08-14 Nec Corp ルール発見装置と方法及びプログラム
GB201803769D0 (en) * 2015-10-30 2018-04-25 Univ Xihua Vector operation-based association rule mining method
CN106802936A (zh) * 2016-12-29 2017-06-06 桂林电子科技大学 一种基于项集熵的数据挖掘方法
CN108717786A (zh) * 2018-07-17 2018-10-30 南京航空航天大学 一种基于普适性元规则的交通事故致因挖掘方法
CN109299282A (zh) * 2018-08-16 2019-02-01 山东女子学院 基于文本分析及关联规则挖掘的概念图自动生成方法
CN111274282A (zh) * 2020-01-07 2020-06-12 北京科技大学 一种空气质量挖掘系统、方法及数据采集监控装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
The Use of the Galois lattice for the extraction and the visualization of the spatial association rules;Marghoubi,R;《2006 IEEE International Symposium on Signal Processing and Information Technology》;20061231;第606-611页 *
基于Java技术的关联规则可视化新方法及实现;罗建等;《计算机工程与科学》;20081115(第11期);第31-33页 *
基于概念格的多值属性关联规则可视化;郭晓波等;《计算机应用》;20130801(第08期);第2198-2203+2211页 *

Also Published As

Publication number Publication date
CN112597236A (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
US10872446B2 (en) Systems and methods for high dimensional 3D data visualization
US10025753B2 (en) Computer-implemented systems and methods for time series exploration
Wu et al. Visualizing flow of uncertainty through analytical processes
Yu et al. Hierarchical streamline bundles
US9244887B2 (en) Computer-implemented systems and methods for efficient structuring of time series data
Didimo et al. An advanced network visualization system for financial crime detection
EP0913780A2 (en) Method and apparatus for data clustering
Bothorel et al. Visualization of frequent itemsets with nested circular layout and bundling algorithm
US9582573B2 (en) Interactive composite plot for visualizing multi-variable data
US11481939B2 (en) Systems and methods for 3D data visualization and network extraction
US10353958B2 (en) Discriminative clustering
Chen et al. A survey of multi-space techniques in spatio-temporal simulation data visualization
Gibson et al. Using adjacency matrices to lay out larger small-world networks
CN106960004A (zh) 一种多维数据的分析方法
CN112597236B (zh) 一种基于概念格的关联规则的优化方法及可视化展示方法
US10373058B1 (en) Unstructured database analytics processing
Bodesinsky et al. Exploration and Assessment of Event Data.
CN103425825A (zh) 基于cad平面设计图的3d超市展示方法
Boz et al. An exploratory visual analytics tool for multivariate dynamic networks
Park et al. Multi-dimensional transfer functions for interactive 3d flow visualization
CN114266914A (zh) 一种异常行为检测方法及装置
US11928123B2 (en) Systems and methods for network explainability
Kaur et al. Pixel-Oriented Technique: A technique to visualize multidimensional data
Soiraya et al. An analysis of visual and presentation factors influencing the design of E-commerce web sites
CN117056498A (zh) 知识图谱的实体展示方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant