第1章 数据挖掘概述 1
1.1 数据挖掘的发展 1
1.2 数据挖掘的过程 3
1.3 数据预处理 4
1.3.1 数据清洗 4
1.3.2 数据集成 9
1.3.3 数据变换 12
1.3.4 数据归约 15
1.3.5 离散化和概念分层 27
1.4 数据挖掘的分类 37
1.5 数据挖掘的方法 39
1.6 数据挖掘的应用 40
第2章 关联规则挖掘基础理论 43
2.1 关联规则的概念 43
2.1.1 关联规则的形式化描述 44
2.1.2 关联规则的分类 45
2.2 关联规则挖掘的Apriori算法 47
2.2.1 关联规则的挖掘过程 47
2.2.2 Apriori算法 48
2.2.3 频集算法的改进策略 51
2.2.4 基于布尔矩阵的Apriori改进算法 54
2.2.5 基于十字链表的Apriori改进算法 59
2.3 FP算法 63
2.3.1 FP-增长算法 63
2.3.2 基于约束的FP-增长改进算法 66
2.3.3 一种无须子集检查的闭合频繁集挖掘算法 71
2.3.4 基于模式矩阵的FP-增长改进算法 87
2.4 多层关联规则挖掘 93
2.4.1 多层关联规则概念 93
2.4.2 多层关联规则的挖掘方法 94
2.4.3 基于FP_tree的多层关联规则挖掘算法 98
2.5 多维关联规则挖掘 102
2.5.1 多维关联规则的概念 102
2.5.2 多维关联规则的挖掘方法 103
2.5.3 基于频繁模式图的多维关联规则挖掘算法 104
2.5.4 基于LR-RCEP的多维关联规则挖掘算法 110
2.6 负关联规则挖掘 116
2.6.1 负关联规则相关概念 117
2.6.2 支持度-有效度框架 118
2.6.3 改进的挖掘算法 120
2.6.4 负关联规则挖掘中的频繁项集爆炸问题研究 122
第3章 基于粗糙集理论的关联规则挖掘研究 129
3.1 粗糙集理论 129
3.1.1 粗糙集理论的概念 129
3.1.2 粗糙集理论中的知识表示 134
3.1.3 属性约简与核 142
3.1.4 粗糙集对属性约简的一般方法 143
3.2 基于模板的关联规则挖掘算法 146
3.2.1 信息系统的α-约简 146
3.2.2 信息系统中的模板 146
3.2.3 关联规则挖掘启发式算法 148
3.3 基于粗糙集的分类关联规则挖掘 154
3.3.1 属性的重要度 155
3.3.2 启发式属性约简算法 156
3.3.3 分类关联规则挖掘算法 157
3.4 基于Rough Set带结论域的关联规则挖掘 159
3.4.1 修改后的关联规则评价指标 159
3.4.2 带结论域的关联规则挖掘算法 160
3.5 基于粗糙集的多维关联规则挖掘 164
3.5.1 算法原理 165
3.5.2 表达用户个性化需要的挖掘语言 166
3.5.3 基于粗糙集的多维关联规则挖掘算法 167
3.6 基于Rough Set的Web日志挖掘研究 170
3.6.1 Web挖掘研究现状 171
3.6.2 Web日志的基本概念 172
3.6.3 基于Rough set的Web日志挖掘 172
第4章 基于遗传算法的关联规则挖掘研究 175
4.1 遗传算法基本理论 175
4.1.1 遗传算法的特点 175
4.1.2 遗传算法基本术语 177
4.1.3 基本遗传算法 179
4.1.4 遗传算法中的常用技术 183
4.1.5 遗传算法的关键参数确定 193
4.2 基于小生境遗传算法的连续属性关联规则挖掘 193
4.2.1 小生境遗传算法原理 194
4.2.2 算法描述 198
4.2.3 实验及分析 198
4.3 优化相关关联规则的发现 200
4.3.1 分类规则与关联规则的区别 200
4.3.2 优化关联规则发现算法基础 202
4.3.3 基于遗传算法的优化关联规则挖掘 208
4.3.4 实验及分析 213
4.4 基于遗传算法的频繁项挖掘算法 217
4.4.1 基于优化模型的频繁项挖掘问题表述 217
4.4.2 频繁项挖掘的非线性优化模型 218
4.4.3 基于遗传算法的频集挖掘方法 220
4.4.4 实验及分析 224
4.5 遗传优化模糊约束的频繁项集挖掘 226
4.5.1 带约束的频繁项集挖掘和模糊集 226
4.5.2 模糊约束 227
4.5.3 遗传寻优模糊集 230
第5章 基于蚁群算法的关联规则挖掘研究 233
5.1 蚁群算法基本理论 234
5.1.1 蚁群算法的概念 234
5.1.2 蚁群算法的原理分析 241
5.1.3 蚁群算法的算法描述 244
5.1.4 蚁群算法的特征 245
5.1.5 蚁群算法与其他仿生算法的比较 250
5.1.6 蚁群算法的发展与研究现状 254
5.2 基于蚁群算法的关联规则挖掘 257
5.2.1 研究背景 257
5.2.2 基于蚁群优化的关联规则挖掘算法 258
5.2.3 算法实现 261
5.2.4 实验结果与分析 263
5.3 基于多态蚁群算法的关联规则挖掘 264
5.3.1 自适应调整挥发系数的逆向蚁群算法 265
5.3.2 基于模拟退火算法的多道逆向蚁群算法 268
5.3.3 基于信息素扩散的多态蚁群算法 270
5.3.4 改进的多态蚁群算法在迷宫最短路径问题中的应用 274
5.4 基于混合蚁群算法的关联规则挖掘 279
5.4.1 研究背景 279
5.4.2 基于混合蚁群算法的关联规则算法（Gaaa-miner） 281
5.4.3 基于混合蚁群算法的关联规则算法（Antga-miner） 295
5.5 基于时间模型的蚁群算法的关联规则挖掘 301
5.5.1 利用基于时间模型的蚁群算法挖掘 302
5.5.2 天才时间蚁群算法 304
5.5.3 其他时间蚁群算法 307
5.6 基于遗传——蚂蚁的多维关联规则挖掘 308
5.6.1 算法设计 308
5.6.2 仿真实验 313
第6章 基于分布式数据库的关联规则挖掘研究 315
6.1 基于分布式数据库关联规则挖掘的经典算法 315
6.1.1 分布式关联规则挖掘的基本原理和方法 316
6.1.2 分布式关联规则挖掘的FDM算法 320
6.2 星形结构下的分布式关联规则挖掘方法CDMA 338
6.2.1 CDMA的基本思想 338
6.2.2 CDMA关联规则挖掘算法 341
6.2.3 CDMA算法分析 345
6.2.4 树形结构的关联规则分布式挖掘算法 347
6.3 隐私保护的分布式关联规则挖掘算法研究 349
6.3.1 隐私保护的概念 350
6.3.2 算法的改进策略 352
6.3.3 密码学及加密算法概述 354
6.3.4 P_ODMA算法的设计及分析 361
6.3.5 P_ODMA算法描述 375
6.4 分布式数据库关联规则更新算法 388
6.4.1 相关概念 389
6.4.2 IUAAR算法基础 391
6.4.3 全局频繁项目集的维护算法 394
6.4.4 IUAAR算法步骤 395
6.5 分布式数据库约束性关联规则的快速挖掘 397
6.5.1 相关概念 399
6.5.2 候选项集的生成函数 400
6.5.3 约束性频繁项集分布式挖掘算法DCAR 403
6.5.4 算法实验与性能比较 406
6.6 基于分布式数据库采样的关联规则挖掘算法 408
6.6.1 相关知识 408
6.6.2 基于采样的关联规则挖掘算法SMA 410
6.6.3 算法实验分析与比较 413
第7章 基于时序和极大团的关联规则挖掘研究 416
7.1 时序逻辑及其模式 418
7.1.1 数据库的预处理 419
7.1.2 基本概念和描述 419
7.2 极大团及其算法研究 426
7.2.1 基本概念 426
7.2.2 F2setT算法 428
7.2.3 MaxCliqueT算法 430
7.3 基于时序逻辑的概率理论研究 432
7.3.1 基本概念 432
7.3.2 等概率的数学模型 433
7.3.3 不等概率的数学模型 434
7.4 基于极大频繁项目集的关联规则的生成算法 436
第8章 关联规则挖掘的应用 439
8.1 关联规则挖掘在灾害天气预测中的应用 439
8.2 关联规则挖掘在CRM中的应用 441
8.3 关联规则挖掘在概念检索中的应用 444
8.4 关联规则挖掘在网络入侵检测中的应用 446
8.5 关联规则挖掘在煤矿安全预警系统中的应用 448
8.6 关联规则挖掘在股票分析预测中的应用 450
8.7 关联规则挖掘在基因表达数据中的应用 457
8.8 关联规则挖掘在交通事故数据分析中的应用 459
参考文献 467