摘要：The inter-agency government information sharing(IAGIS)plays an important role in improving service and efficiency of government ***,there is still no effective and secure way for data-driven IAGIS to fulfill dynamic demands of information sharing between government *** by blockchain and data mining,a data-driven framework is proposed for IAGIS in this ***,the blockchain is used as the core to design the whole framework for monitoring and preventing leakage and abuse of government information,in order to guarantee information ***,a four-layer architecture is designed for implementing the proposed ***,the classical data mining algorithms PageRank and apriori are applied to dynamically design smart contracts for information sharing,for the purposed of flexibly adjusting the information sharing strategies according to the practical demands of government agencies for public management and public ***,a case study is presented to illustrate the operation of the proposed framework.

摘要：针对红外经纬仪测量系统弹道测试试验,如何在稍纵即逝的发射窗口期内达到较高的测试精度和目标捕获率问题,提出一种基于apriori关联规则挖掘和PDCA戴明环相结合的试验数据再利用方法,通过对已有历史试验数据的分析挖掘,提取影响试验数据录取的事件因子,并分析其作用机理,构建数据采集方案设计优化策略集,采用阶跃PDCA方法对数据采集方案进行循环优化,并验证结论的有效性。结果表明,动态因果关系集和方案优化策略集可为后续性能试验、作战试验数据采集方案设计和改进提供参考和依据,对于提升目标捕获率和数据采集精度有一定辅助作用,探索了关联规则挖掘方法在试验数据再利用中的应用。

摘要：针对典型关联分析求解特征空间的高度复杂性,以及大规模数据的关联分析处理存在计算量复杂、内存占用高等难题,提出基于apriori关联算法的电力运行大数据关联分析方法研究。对基于apriori关联算法的电力运行大数据关联分析方法进行设计,包括基于apriori关联算法建立关联分析算法、基于已经建立的算法建立电力运行大数据关联分析模型、实现电力运行大数据关联分析。为验证所设计的方法的有效性,将文中方法与传统的电力运行大数据关联分析方法和基于云计算的电力运行大数据关联分析方法进行对比研究,最后得出所设计的基于apriori关联算法的电力运行大数据关联分析方法较为有效。

摘要：为了方便读者理解长篇文学作品、理清故事情节和人物关系,针对如何将知识图谱和叙事可视化结合以达到上述目的展开研究。以“激流三部曲”为研究案例,运用共词分析法构建共现矩阵,使用apriori算法挖掘关联规则,采用狄利克雷分布(latent Dirichlet allocation,LDA)模型划分文章主题,通过知识获取方法整理并抽取文本中的实体、属性、关系,利用资源描述框架(resource description framework,RDF)存储人物关系数据,构建知识图谱。再使用iStoryline对文学作品的剧情脉络进行叙事可视化,并将知识图谱与故事线并列对照显示。将自然语言处理、知识图谱和叙事可视化故事线相结合,使读者能够在了解人物关系的同时,理清故事的情节脉络。

摘要：为提高apriori算法挖掘频繁项目集的效率,基于迭代式MapReduce模型对apriori算法进行并行化,设计出了能够在云计算环境下进行频繁项目集挖掘的新算法.与传统的apriori并行算法相比,新算法利用事务约减规则进行改进,减少了每次扫描时所需扫描事务的个数,能够显著减少运行时间.介绍了新算法的设计思想,研究了算法的性能.实验结果表明所提算法比已有方法具有更高的运行效率及较好的可扩展性.

摘要：由于服装的面料组成具有复杂性,企业在不同时间对不同规格型号面料需求量不一致,传统的人工预测及单维度智能预测模型难以解决问题。针对服装企业面料需求非确定性、预测难的痛点,提出基于关联规则及组合模型的面料需求预测方法。首先构建apriori面料型号关联模型,挖掘多批多类面料间的型号关联规则;然后构建Prophet时间序列模型与长短期记忆神经网络(long short-term memory,LSTM)的组合预测模型Prophet-LSTM,结合其在解决面料需求预测问题上的优势;最后将挖掘出的高关联面料型号历史需求数据作为输入,采用量子粒子群算法(quantum particle swarm optimization,QPSO)优化组合模型权值系数,进行关联面料需求量预测。使用均方根误差(root mean squared error,RMSE)及平均绝对误差(mean absolute error,MAE)作为评价指标设计对比实验,实验结果表明:采用量子粒子群优化的QPSOProphet-LSTM面料需求预测模型RMSE较Prophet降低5.464,较LSTM降低1.184;MAE较Prophet降低4.261,较LSTM降低0.819,需求预测精度更高,支持服装企业面料柔性生产。

摘要：随着数据量的逐渐增大,关联规则挖掘算法的时间效率亟待提升,因此提出一种基于正交链表的改进apriori算法.该算法首先将带扫描数据库转化为关系矩阵,并使用正交链表对该矩阵进行存储,从而可以通过对链表节点集合进行操作实现频繁项目集的挖掘,克服了apriori算法需要多次扫描数据库的缺点,只需扫描数据库一遍,减少了频繁进行I/O操作的时间;此外,该算法对apriori算法复杂的自连接和剪枝过程进行了优化,简化了频繁项目集的生成过程,提高了apriori算法的时间效率.

摘要：通过对apriori算法进行的分析与研究,发现其在实用中存在两个主要问题:生成的关联规则具有相当大的冗余性;有可能挖掘出一条支持度和置信度均很高,但却是无趣的、甚至是虚假的关联规则,且不能产生带有否定项的规则。鉴于此,该文给出了关联规则的两个性质和引入兴趣度的第三个度量———相关支持度,设计了挖掘出有效关联规则算法,较好地解决了上述问题。

摘要：为了进一步提高基于HMT和哈希树的apriori算法的性能,提出了一种基于独立内存并行环境的并行化方案,充分利用空闲的计算资源来提高关联规则数据挖掘的效率。将原始数据集平均分配到并行环境中的各个子计算节点中,在各个子计算节点中并行地进行关联规则支持度计数,并从各个子计算节点中收集合并支持度计数的结果,得到目标频繁项集,进而实现apriori算法的并行化。实验结果表明,该并行化方案可以很好地提高原算法的效率。

摘要：对关联规则中apriori算法进行深入研究,基于修剪频繁集策略、连接优化策略及库结构优化策略等方法,提出Apri-ori改进算法。此方法能大量减少所需I/O次数和内存开销,提高运行的效率。将此算法运用到图书借阅数据中,挖掘图书之间的关联性,为领导决策和读者个性化服务提供参考依据。