基于关联规则的数据挖掘算法研究

数据挖掘中关联规则算法用途广泛,通过研究关联规则算法,对各关联算法进行分析、对比总结出各关联规则的适用领域,并对经典的关联规则算法进行了举例与性能分析。     

商务智能系统中两种改进的关联规则挖掘算法

根据日常商务数据的特点,提出了商业应用系统中进行数据挖掘的改进的Apriori算法和对点击流数据进行挖掘的改进的多支持度关联规则算法,并结合具体实例进行了分析.分析结果表明,2种改进的算法可以有效地提高系统数据挖掘的效率.     

基于数据挖掘的入侵检测系统研究

本文通过对现有入侵检测系统的现状进行分析,并将数据挖掘技术引入到异常检测和误用检测中,构建了基于数据挖掘的网络入侵检测系统模型,重点设计和实现了基于改进Apriori算法的异常检测和分析模块,在入侵检测方面取得较好效果。     

关联规则在教学管理决策支持中的应用

运用数据挖掘中的关联规则分析了教学管理中教师信息之间的隐藏关系．并对数据进行了标准化、离散化处理，采用优化的Apriori算法进行数据挖掘．通过事例分析了教师的教学工作量和发表论文之间的隐含关系，可为教学管理提供决策支持．     

关联规则挖掘的Apriori算法的改进

提出一种将Apriori算法与散列技术和事务压缩技术相结合的改进算法,研究了散列函数的构造及其对算法效率的影响,分析了事务压缩技术的原理及其实现方法,用实例给出了原算法与改进算法的实现步骤,结果表明,新算法减小了存储空间,提高了算法的效率,并改进了数据挖掘技术的性能。     

分析Apriori算法在传统零售业市场中的应用

本文研究了关联规则的经典算法——Apriori算法，对Apriori算法进行了核心思想及主要步骤等的介绍，之后以超市事务数据库为例，详细说明了该算法应用。     

基于链表的关联规则挖掘算法

提出了基于链表的关联规则挖掘算法的基本思想，只需要扫描数据库一次．不产生候选项目集，也不使用逐层迭代的方法，利用链表的特性来提高挖掘效率．     

基于关联规则分析的“购物篮分析”模型的研究

以Apriori算法为核心的"购物篮分析"功能模型,利用事务数据库中的销售数据,挖掘顾客购买的商品之间各种有趣联系,帮助商家制定营销策略,合理地安排货架引导销售,既方便顾客购买,同时也刺激了销售。     

一种Apriori的改进算法

在Apriori算法算法基础上提出改进的方法，通过减少产生候选集的组合和减少数据库的扫描来提高挖掘的速度和减少数据库的I／O操作时问的开销。     

关联规则挖掘在研究生个人学习计划制定中的应用

介绍了关联规则挖掘算法Apriori及其在研究生专业课程间的关联规则发现中的应用，所发现的规则用于辅助新研究生进行个人学习计划制定。可减少研究生在个人学习计划制定中的盲目性，提高所选课程与学科专业研究方向的吻合度。     

数据挖掘技术在高校教学评估中的应用研究

为解决只能取得单纯的有点片面的教学评估体系,提出了数据挖掘技术在教学评估中的应用研究,应用数据挖掘技术,重点利用关联规则方法中的Apriori算法,对学生的评教数据及教师档案数据进行数据挖掘工作,找出数据的内在规律,分析数据挖掘的结果,把这些规律运用到教学管理中,提高教学质量,提升学院的管理水平、使评估充分发挥对教学的指导作用。为学院的管理提供更多有价值的决策信息。     

一个基于散列技术的关联规则挖掘算法

提出了基于散列技术的关联规则挖掘算法的基本思想,只需扫描数据库一次,不产生候选项目集,也不使用避层迭代的方法,利用散列文件组织的特性来提高挖掘效率.     

算法行政的风险场景及其法律规制——基于算法法权关系架构的分析

算法行政具有客观、高效优势,但同时伴随着技术内生的不确定性风险、法律层面权力行使与权利保障的挑战,以及价值层面技术理性吞噬价值理性等桎梏,亟需法律破解。规制对象是法律制度构建之前提,将“算法法权”作为算法行政风险的法律规制对象具有合理性和可行性,通过“权力—权利”的法权结构,可实现算法行政中“私权利、公权力、私权力”的整体性规制。质言之,算法行政风险的法律规制需要以“算法法权”的科学配置为核心,建构法律、伦理、技术与自我规制一体化的规制体系。     

数据挖掘在教学测评系统中的应用与研究

教学测评是教学管理过程中的重要环节。将数据挖掘运用于教学测评之中,可以提高教学评价技术水平。利用数据挖掘方法中的聚类分析和Apriori算法相结合,从而对测评系统数据进行关联规则挖掘。     

KMV和Apriori算法在上市公司信用风险传染中的应用

运用KMV模型计算违约距离,作为度量我国上市公司信用风险的指标,并利用Apriori算法挖掘上市公司之间的信用风险传染.结果表明关联规则挖掘能直观有效地描述上市公司之间的信用风险传染,产生强关硖规则的上市公司之间信用风险传染较为明显.     

算法的意识形态风险：属性、机理与出路

算法并非意识形态无涉的价值真空地带,技术与价值的相互耦合促使算法产生出强烈的意识形态属性。在算法所座驾而形成的数字社会中,算法歧视、算法牢笼、算法黑箱导致主流意识形态的认同度、引领力和凝聚力都陷入了新的风险情境,而这些意识形态风险得以生成的内在机理表现为：大数据通过对社会建构的中介性作用诱使人们形成了数据崇拜的意识形态方式,算法权力通过对人们的数字权利的支配而形成了算法统治的监控体系,算法与大数据的深度联合实现了意识形态的智能操控,由此,算法成为意识形态风险滋生的数字温床。然而,算法的意识形态风险不应导致对算法的“卢德主义”拒斥,算法仍是赋能意识形态建设的重要利器。基于此,必须强化主流意识形态对算法的价值引领、矫正算法的技术漏洞,从而推动算法成为社会主义意识形态建设的强大助力。     

广义线性互补问题的共轭梯度算法

本文构造了广义线性互补问题的一个光滑价值函数,该函数具有良好的微分性质.基此价值函数提出了求解广义线性互补问题的一类不精确线搜索共轭梯度算法,证明了算法的全局收敛性,并通过数值试验检验了算法的实用性.     

通用高速分组交换调度算法

在iSLIP算法的基础上,应用二部图匹配中对角线数据无竞争的数学原理,采用关联指针的处理方法,提出了一种基于虚拟输出排队(VOQ)缓冲模式下的高速交换调度算法——迭代的关联指针轮转(i-CPRR)算法。该算法简化了指针的轮转方式,降低了设计难度。仿真表明,该算法减少了调度过程中的迭代次数,提高了算法在高负载条件下的带宽利用率,从而降低了交换系统的数据延时和VOQ队列深度,在高速交换系统中具有广泛的应用价值。     

数字平台算法决策歧视的认定与规制

基于算法决策的数字歧视是算法社会化应用中一项亟待解决的问题。算法对于个体的重塑效应是歧视产生的直接原因,而算法之社会化应用过程中的价值冲突则是产生算法歧视的根本原因。由此也导致了算法分析过程呈现出忽略意义的关系分析,以概率性陈述为基础的算法评价所导致的受保护特征的不确定。算法社会化应用中的歧视认定,应当冲破传统反歧视理论,从受保护场景、是否存在算法支配关系、基于受保护特征的差别待遇、对个体或者群体的不利影响以及是否符合比例原则几个角度综合评估。有鉴于此,《个人信息保护法》第24条的相关表述需要进行重新解释和厘定,其中包括决策“公平、公正”、算法解释的内容等;另外,基于算法的数字歧视行为,需同现行侵权制度接榫,并适时进行制度赓续,完善算法歧视的规范治理体系。     

算法解释权适用的不同区分及其实践路径——基于公私两域划分的视角

《个人信息保护法》第24条规定,个人认为自动化决策对其权益造成重大影响的,有权要求个人信息处理者予以说明,此条被认为是对算法解释权的明文确定。但是,对于权益主体的确定、权益影响的程度以及解释内容的要求,第24条并未进一步做出具体规定,考虑到公私领域对算法解释规范对象和规范目标的不同,在私人领域中,算法解释的权益主体应为确定型主体,其形式权益遭受影响才能提出算法解释的主张,而信息处理者只需对算法进行事物性解释,在公共领域中,算法解释的主体应为确定或相关型主体,无论是形式还是实质权益遭受影响都可以提出算法解释的主张,而信息处理者需对算法进行事物或事理性解释,此举有利于促进技术发展与权利保障、公共利益与个人利益之间的价值平衡。