《一种基于生物数据的多层关联规则挖掘算法》-毕业论文（设计）.doc

PAGE 硕士学位论文 一种基于生物数据的多层关联规则 挖掘算法 学位申请人： 学科专业：计算机软件与理论 指导教师： 教授 答辩日期： 年6月2日 A Thesis Submitted in fulfillment of the Requirements for the Degree of Master of Engineering An Algorithm for Mining Biological Data Multilevel Association Rules Candidate : Major : Computer Software and Theory Supervisor : Huazhong University of Science Technology Whuhan 430074, P.R.China PAGE 摘 要 数据挖掘是从大量数据中发现潜在的、有趣的知识的过程，是解决“数据丰富，知识贫乏”状况的有效方法。关联规则挖掘用于从大量数据中揭示项集之间的有趣关联或相关联系，是数据挖掘的一项重要研究内容，在现实生活中有着广泛的应用。 研究表明，关联规则挖掘技术是寻找基因间关系的有效手段；但现有算法未针对高通量生物数据的特点进行优化，而存在着效率低下、规则缺乏生物学意义等缺点。与单层关联规则挖掘相比，多层关联规则能够提供更加丰富、更具普遍意义的知识；选用合理的概念层次结构与多层关联规则挖掘算法，能够更好的适应生物数据挖掘的需要。已有的多层关联规则挖掘算法如Cumulate 算法、ML_T2L1算法，都是通过对Apriori算法进行扩展得到的。这些算法仍采用候选生成并验证的方式得到频繁模式，导致了巨大的计算和I/O 开销，使得效率较低。 选用Gene Ontology完善的概念层次结构，通过对FP_Growth算法进行扩展，获得了一种优化的生物数据多层关联规则挖掘算法MAGO-FP。MAGO-FP算法采用的扩展措施如下：(1)在扫描数据库的过程中通过把每个项的全部祖先加入到事务中对每条事务进行扩充，该措施能够确保得到多层关联规则；(2)通过及时删除概念层次树中不是频繁项的祖先项来压缩搜索空间，提高挖掘效率；(3)避免产生冗余的频繁模式。性能实验表明MAGO-FP算法是正确的，并继承了FP_Growth算法运行效率高的优点。 应用MAGO-FP算法分析了一组由S.cerevisiae酵母菌cDNA微阵列芯片产生的实验数据，发现了一些候选关联规则。并针对其中一些重要的关联规则，通过相关文献证实了其真实性，表明该算法在基因表达分析、基因调控网络等研究中具有一定的应用价值。 关键词：数据挖掘，多层关联规则，基因本体论，MAGO-FP算法 Abstract Data mining is a process to reveal latent and interesting knowledge from massive data, and an effective approach to solve the problem of rich data and poor knowledge. Association rules mining can reveal interesting correlations among item sets from massive data. It is an important subject of data mining and is widely used in real life. Recent studies have proved that association rules can reveal the interactions between genes, showing patterns that may not have been identified using traditional clustering methods; but existing algorithms still have some shortcomings. The proposed algorithms for mining multilevel association rules, such as Cumulate algorithm and ML_T2L1 algorithm, are based on Apriori algorithm. These algorithms still adopt candidate generate and test method to get frequent patterns which cause large cost