技术规则

事务用锁规则每个事务都必须遵循如下规则： 事务在读写数据项 x 之前，必须对其加锁 lock_item(x)。 事务在完成了对数据项 x 的所有读写操作之后，必须对其解锁 unlock_item(x)。 事务在已经发出了一个 lock_item(x) 之后，未发出解锁 unlock_item(x) 之前，不再对 x 加锁。 事务没有对数据项 x 加锁，就不能对 x 解锁 unlock_item(x)。 一个事务要访问被另一个事务加锁的数据项 x 时，必须等待它解锁，因而封锁机制就强制了事务操作的一种执行次序。

综述了关联规则挖掘技术的分类方法、评价方法及其最新进展，特别详细介绍了主要算法，并探讨了未来的发展方向，为进一步研究关联规则挖掘技术提供了全面指导。

从交易数据库里挖规则，用得挺顺的一份资料，适合你想搞懂关联规则挖掘的来看看。文档里一口气讲了从一维布尔到多维多层的挖掘方式，还捎带聊了相关性，内容够全，节奏也清晰，适合边学边实操。 关联规则挖掘的套路，主要靠频繁项集和支持度置信度的组合。比如，你常见的Apriori 算法，用得多、资料多，学习起来也轻松。配合后面讲的AIGEP 算法，还能应付多维复杂场景，适合项目里玩点花样。 你要是搞WEKA的，可以顺着这份教程练起来，界面操作友好，过程还直观。想试试层级结构的，也别错过多层关联规则这块，挺适合做数据层次的。 嗯，如果你比较关心规则之间的冲突、负向关系，也有加权负关联规则挖掘这种小众内容，虽然

数据挖掘是从海量数据中发现有价值知识的过程，涉及多种技术和方法。讨论了关联规则挖掘，即从大型数据库中寻找项之间的有趣关联或频繁模式。关联规则通常表述为“如果事件A发生，那么事件B也可能发生”。挖掘包括从交易数据库中挖掘一维布尔形关联规则和多层次关联规则。在食品零售场景中，例如，“牛奶→面包”和“酸奶→黄面包”等多层次关联规则揭示了项目之间的关联。多层关联规则的挖掘通过自上而下的深度优先方法进行，控制规则的数量可以通过支持度递减策略来实现。此外，文档讨论了数据挖掘查询的逐步精化策略，以在速度和精度之间找到平衡。空间关联规则挖掘中的两步算法也有所涉及，首先进行粗略的空间计算，然后用细致的算法进行精

Hadoop分布式文件系统（HDFS）最初设计用于处理大文件，但对小文件的存储效率较低。为解决此问题，提出了一种基于关联规则挖掘的新型小文件存储方法，称为ARMFS。ARMFS通过分析Hadoop系统的审计日志，挖掘小文件间的关联规则，并利用文件合并算法将小文件合并存储在HDFS中。此外，ARMFS还引入了高频访问表和预取机制表，并提出预取算法以优化文件的访问效率。实验结果表明，ARMFS显著提升了NameNode的内存利用率，极大改善了小文件的下载速度和访问效率。

模糊属性的数据库你是不是也头大？传统 Apriori 虽然经典，但一上来就给一堆频繁项集，真心不好消化。模糊关联规则格这个思路就蛮不一样的，它是把模糊概念格和关联规则搅一块，搞出了个既能动态构建又能精炼规则的办法。节点和属性项集是一一对应的，这样一来你在构建格的时候，逻辑也更清晰了，是针对动态数据库，增删改数据的时候，不用每次都重新挖一遍规则，节省不少时间。而且，它不像 Apriori 那样死板，需要频繁扫描数据。模糊规则格更像是“边建边挖”，效率还不错，冗余规则少，对用户友好度也高。如果你做的是模糊数据挖掘、个性推荐或者是症状类的，真的可以试试。想补一下相关基础知识的，也可以看看这些文章：A

本内容适合于数据挖掘方向的硕士研究生阅读学习，对关联规则与动态关联规则做了简介。

这些论文系统地介绍了数据挖掘技术，特别是关联规则挖掘算法及其改进技术，具有重要的参考价值。

关联规则挖掘包括布尔与定量关联（基于数据类型处理）。例如：buys(x, “SQLServer”) ^ buys(x, “DMBook”) -> buys(x, “DBMiner”) [0.2%, 60%]。此外，还有单维与多维关联，单层与多层分析。例如：age(x, “30..39”) ^ income(x, “42..48K”) -> buys(x, “PC”) [1%, 75%]。进一步的扩展涉及相关性和因果分析。需要注意的是，关联并不一定意味着因果关系。还有最大模式和闭合相集的概念，以及如“小东西”销售促发“大家伙”买卖的添加约束。

为了避免歧义，WHERE子句中列名需要以表名前缀进行限定。表名前缀可以提高查询性能。对于表中不同的列名，可以使用别名进行标识。