基于ILP的多關系關聯(lián)規(guī)則數(shù)據(jù)挖掘(MRDM)算法研究.pdf

1、基于屬性-值的學習方法的命題化算法是關聯(lián)規(guī)則挖掘算法的的傳統(tǒng)方法，即，每一個事實都以的（屬性，值）元組形式表示。這種表示形式中，屬性種類是固定的，每個屬性有一個給定的值與之對應，所以數(shù)據(jù)集可以被看做關系數(shù)據(jù)庫中的一個表或關系。表中的每一行對應于一個樣例，而每一列對應于一個屬性。實際情況是，關系數(shù)據(jù)庫為了有效地組織和訪問數(shù)據(jù)，數(shù)據(jù)表結構復雜，且以多關系的形式組織。關系數(shù)據(jù)庫中的結構表達了位于不同關系中的元組間的聯(lián)系，而這種聯(lián)系體現(xiàn)了問題域

2、中某些重要的背景知識和樣例信息的結構內容。屬性-值學習方法只適應單表無法直接利用這類聯(lián)系及其蘊涵的信息內容，因而無法發(fā)現(xiàn)數(shù)據(jù)庫中隱藏的復雜模式。雖然在理論上多個關系表可以轉化到一個單表中，但事實上有許多實際問題無法避免。
　　 歸納邏輯程序設計(InductiveLogicProgramming，簡記為ILP）是機器學習與邏輯程序設計的交叉領域，以ILP為基礎的多關系數(shù)據(jù)挖掘，致力于發(fā)現(xiàn)關系數(shù)據(jù)庫中涉及多個關系的復雜模式。多關系

3、數(shù)據(jù)挖掘可以直接在多個關系表上分析數(shù)據(jù)而無需向單一數(shù)據(jù)表的轉換。由于其模式表示語言采用了一階謂詞邏輯語言，與命題邏輯語言相比表達力更強，能夠表達更復雜的模式并方便的利用背景（領域）知識，應用也更為廣泛，基于ILP的多關系數(shù)據(jù)挖掘成為目前研究的熱點。
　　 本文比較系統(tǒng)和完整的介紹和分析了多關系關聯(lián)規(guī)則挖掘的理論基礎和相關研究，主要工作如下：
　　 ①綜合前人的工作，根據(jù)相關的文獻，綜述了多關系關聯(lián)規(guī)則相關概念、性質、挖掘

4、方法、面臨的主要問題；
　　 ②研究了數(shù)據(jù)挖掘的經典算法Apriori和FP-增長、并根據(jù)相關文獻，結合自身研究，分析了算法的提出、特點和算法步驟，并對的功能進行了分析。
　　 ③研究了ILP技術的定義、形式化描述以及PROLOG語言的理論基礎及運行機制。
　　 ④分析了多關系關聯(lián)規(guī)則代表性算法WARMR和FARMER，并分析其優(yōu)缺點，并簡單介紹了WARMR的拓展算法WARMeR。
　　 ⑤通過實驗平臺，