论文：Improved Extraction of Quantitative Rules using Best M Positive Negative Association Rules Algorithm（改进的定量规则提取：使用最佳M正负关联规则算法）
摘要
关联规则挖掘是一项基础的数据挖掘任务。关联规则有助于从海量数据中识别趋势和模式。挖掘关联规则的算法更注重正规则而不是负规则。负规则将数据集中存在的属性指定为不存在的属性。本文提出了一种算法BMPNAR，Best M Positive Negative Association Rules Algorithm，以得到一组有限数量的关联规则，然后用Firefly算法进行分类。**BMPNAR算法是MOPNAR算法的扩展。它是MOPNAR和Topk算法的结合。**我们允许用户指定要生成的规则数。它给了我们排名的关联规则。然后应用Firefly算法对这些规则进行分类，以便进行分析。设计的系统应该产生最佳的分类规则。使用的数据集是Keel数据集。从执行时间和执行空间两个方面对现有算法和新算法进行了比较研究。
一.简介
数据挖掘是跨专家系统、数据库系统、智能信息系统、机器学习和统计等多个学科的交叉研究领域，定量关联规则挖掘（Mining quantitative association rules in large relational tables论文）产生正、负规则。正规则（Efficient mining of both positive and negative association rules）指定存在，而负规则指定不存在。基于这些负规则可以得出更多的性质。**当使用MOPNAR（多目标正负关联规则）挖掘定量关联规则时可能会生成大量规则。这些规则可能很重要，也可能不重要。大量规则的生成给算法的空间和时间要求增加了开销。为此，我们设计了MOPNAR的一个扩展，即BMPNAR，来挖掘最佳的M个正、负定量关联规则。**