| 主权项 |
一种文本词间完全加权正负关联模式挖掘方法，其特征在于，包括如下步骤：(1)中文文本数据预处理：将待处理的中文文本数据进行预处理：分词、去除停用词、提取特征词及其权值计算，同时，计算最小项集权重维数比阈值minwdR；中文文本数据预处理的结果是构建中文文本数据库Text database，即TD，以及特征词项目库；最小项集权重维数比阈值minwdR计算公式是：minwdR＝n×minsup，n为中文文本数据库记录数，minsup为最小支持度阈值；特征词权值计算公式是：w<sub>ij</sub>＝(0.5+0.5×tf<sub>ij</sub>/max<sub>j</sub>(tf<sub>ij</sub>))×idf<sub>i</sub>，其中，w<sub>ij</sub>为第i个特征词在第j篇文档的权值，tf<sub>ij</sub>为第i个特征词在第j篇文档的词频，idf<sub>i</sub>为第i个特征词的逆向文档频度，其值idf<sub>i</sub>＝log(N/df<sub>i</sub>)，N为文档集中文档总数，df<sub>i</sub>为含有第i个特征词的文档数量；(2)挖掘完全加权特征词频繁项集和负项集，包括以下步骤2.1和步骤2.2：2.1、从特征词项目库中提取特征词候选1_项集C<sub>1</sub>，并挖掘完全加权特征词频繁1_项集L<sub>1</sub>；具体步骤按照2.1.1～2.1.3进行：2.1.1、从特征词项目库中提取特征词候选1_项集C<sub>1</sub>；2.1.2、累加特征词候选1_项集C<sub>1</sub>在中文文本数据库TD中的权值总和<img file="FDA0001161413340000011.GIF" wi="95" he="55" />计算其项集权重维数比wdR(C<sub>1</sub>)；<maths num="0001"><math><![CDATA[<mrow><mi>w</mi><mi>d</mi><mi>R</mi><mrow><mo>(</mo><msub><mi>C</mi><mn>1</mn></msub><mo>)</mo></mrow><mo>=</mo><msub><mi>w</mi><msub><mi>C</mi><mn>1</mn></msub></msub></mrow>]]></math><img file="FDA0001161413340000012.GIF" wi="281" he="62" /></maths>其中，<img file="FDA0001161413340000013.GIF" wi="397" he="103" />是特征词候选1_项集C<sub>1</sub>在TD中的权值总和；2.1.3、将特征词候选1_项集C<sub>1</sub>中其项集权重维数比wdR(C<sub>1</sub>)大于或等于最小项集权重维数比阈值minwdR即wdR(C<sub>1</sub>)≥minwdR的频繁1_项集L<sub>1</sub>加入到特征词频繁项集集合termPIS；2.2、从完全加权特征词候选2_项集开始，按照步骤2.2.1～2.2.4进行操作：2.2.1、将特征词频繁(i‑1)_项集进行Apriori连接，生成特征词候选i_项集C<sub>i</sub>；其中i≥2；2.2.2、累加特征词候选i_项集C<sub>i</sub>在中文文本数据库TD中的权值总和<img file="FDA0001161413340000014.GIF" wi="66" he="55" />以及计算其项集权重维数比wdR(C<sub>i</sub>)；<maths num="0002"><math><![CDATA[<mrow><mi>w</mi><mi>d</mi><mi>R</mi><mrow><mo>(</mo><msub><mi>C</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>=</mo><mfrac><msub><mi>w</mi><msub><mi>C</mi><mi>i</mi></msub></msub><mi>k</mi></mfrac></mrow>]]></math><img file="FDA0001161413340000015.GIF" wi="297" he="103" /></maths>其中，<img file="FDA0001161413340000016.GIF" wi="421" he="103" />是特征词候选i_项集C<sub>i</sub>在TD中的权值总和，k为特征词候选i_项集C<sub>i</sub>的项目个数；2.2.3、特征词候选i_项集的项集权重维数比wdR(C<sub>i</sub>)与最小项集权重维数比阈值minwdR比较，将特征词候选i_项集中其项集权重维数比不小于最小项集权重维数比阈值即wdR(C<sub>i</sub>)≥minwdR的特征词频繁i‑项集L<sub>i</sub>取出，存入特征词频繁项集集合termPIS，同时，将其项集权重维数小于支最小项集权重维数比阈值即wdR(C<sub>i</sub>)<minwdR的特征词负i_项集N<sub>i</sub>存入特征词负项集集合termNIS；2.2.4、将i的值加1，当特征词频繁(i‑1)_项集L<sub>i‑1</sub>为空就转入(3)步，否则，继续2.2.1～2.2.3步骤；(3)特征词频繁项集和负项集剪枝：3.1、对于特征词频繁项集集合termPIS中的每一个频繁i‑项集L<sub>i</sub>，根据最小频繁项集兴趣度阈值minFIInt，计算InterestingFI(L<sub>i</sub>,minFIInt)值，剪除其InterestingFI(L<sub>i</sub>,minFIInt)值为假false的频繁项集，剪枝后得到新的特征词频繁项集集合termPIS；InterestingFI(L<sub>k</sub>,minFIInt)的计算公式如下：<img file="FDA0001161413340000021.GIF" wi="2013" he="143" />其中，wdR(I<sub>1</sub>)、wdR(I<sub>2</sub>)、awAPInt(I<sub>1</sub>,I<sub>2</sub>)和awAPInt(﹁I<sub>1</sub>,﹁I<sub>2</sub>)的计算公式如下：<img file="FDA0001161413340000022.GIF" wi="742" he="118" />是项集I<sub>1</sub>在TD中的权值总和，k<sub>1</sub>为项集I<sub>1</sub>的项目个数；<img file="FDA0001161413340000023.GIF" wi="763" he="119" />是项集I<sub>2</sub>在TD中的权值总和，k<sub>1</sub>为项集I<sub>2</sub>的项目个数；<img file="FDA0001161413340000024.GIF" wi="875" he="103" />其中，n为文本数据库TD记录数，<img file="FDA0001161413340000025.GIF" wi="941" he="119" />是项集L<sub>i</sub>＝(I<sub>1</sub>∪I<sub>2</sub>)在TD中的权值总和，k为项集L<sub>i</sub>＝(I<sub>1</sub>∪I<sub>2</sub>)的项目个数；<img file="FDA0001161413340000026.GIF" wi="1364" he="103" />3.2、对于特征词负项集集合termNIS中的每一个负i‑项集N<sub>i</sub>，根据最小负项集兴趣度阈值minNIInt，计算InterestingNI(N<sub>i</sub>,minNIInt)值，剪除其InterestingNI(N<sub>i</sub>,minNIInt)值为假false的负项集，剪枝后得到新的特征词负项集集合；InterestingNI(N<sub>k</sub>,minNIInt)的计算公式如下：<img file="FDA0001161413340000027.GIF" wi="1894" he="231" />其中，wdR(I<sub>1</sub>)、wdR(I<sub>2</sub>)和awAPInt(﹁I<sub>1</sub>,﹁I<sub>2</sub>)的计算公式同3.1的，awAPInt(I<sub>1</sub>,﹁I<sub>2</sub>)和awAPInt(﹁I<sub>1</sub>,I<sub>2</sub>)的计算公式如下：<img file="FDA0001161413340000031.GIF" wi="1278" he="119" /><img file="FDA0001161413340000032.GIF" wi="1373" he="126" />(4)从特征词频繁项集集合中挖掘有效的完全加权特征词正负关联规则，包括以下步骤：4.1、从特征词频繁项集集合termPIS取出特征词频繁项集L<sub>i</sub>，求出L<sub>i</sub>的所有真子集，构建L<sub>i</sub>的真子集集合，然后进行下列操作：4.2.1、从L<sub>i</sub>的真子集集合中任意取出两个真子集I<sub>1</sub>和I<sub>2</sub>，当I<sub>1</sub>和I<sub>2</sub>没有交集即<img file="FDA0001161413340000033.GIF" wi="206" he="54" />并且它们的项目个数之和等于其原频繁项集的项目个数即I<sub>1</sub>∪I<sub>2</sub>＝L<sub>i</sub>，则分别计算特征词频繁项集I<sub>1</sub>∪I<sub>2</sub>、I<sub>1</sub>和I<sub>2</sub>的项集权重维数比wdR(I<sub>1</sub>∪I<sub>2</sub>)、wdR(I<sub>1</sub>)和wdR(I<sub>2</sub>)；wdR(I<sub>1</sub>∪I<sub>2</sub>)、wdR(I<sub>1</sub>)和wdR(I<sub>2</sub>)的计算公式同步骤3.1；4.2.2、当I<sub>1</sub>和I<sub>2</sub>的项集权重维数比都不小于最小项集权重维数比阈值minwdR即wdR(I<sub>1</sub>)≥minwdR且wdR(I<sub>2</sub>)≥minwdR，以及中文文本数据库记录总数n和上述步骤4.2.1的特征词频繁项集I<sub>1</sub>∪I<sub>2</sub>的项集权重维数比wdR(I<sub>1</sub>∪I<sub>2</sub>)的乘积大于I<sub>1</sub>和I<sub>2</sub>的项集权重维数比wdR(I<sub>1</sub>)和wdR(I<sub>2</sub>)的乘积时即n×wdR(I<sub>1</sub>∪I<sub>2</sub>)>wdR(I<sub>1</sub>)×wdR(I<sub>2</sub>)，进行如下操作，所述的wdR(I<sub>1</sub>∪I<sub>2</sub>)、wdR(I<sub>1</sub>)和wdR(I<sub>2</sub>)计算公式同步骤3.1；4.2.2.1当特征词频繁项集(I<sub>1</sub>,I<sub>2</sub>)的兴趣度awAPInt(I<sub>1</sub>,I<sub>2</sub>)不小于最小频繁项集兴趣度阈值minFIInt即awAPInt(I<sub>1</sub>,I<sub>2</sub>)≥minFIInt，且I<sub>1</sub>→I<sub>2</sub>的概率比awARPR(I<sub>1</sub>→I<sub>2</sub>)以及I<sub>2</sub>→I<sub>1</sub>的概率比awARPR(I<sub>2</sub>→I<sub>1</sub>)都不小于置信度阈值minconf即awARPR(I<sub>1</sub>→I<sub>2</sub>)≥minconf，awARPR(I<sub>2</sub>→I<sub>1</sub>)≥minconf，则挖掘出特征词关联规则I<sub>1</sub>→I<sub>2</sub>和I<sub>2</sub>→I<sub>1</sub>；awAPInt(I<sub>1</sub>,I<sub>2</sub>)的计算公式同步骤3.1；awARPR(I<sub>1</sub>→I<sub>2</sub>)和awARPR(I<sub>2</sub>→I<sub>1</sub>)计算公式如下：<maths num="0003"><math><![CDATA[<mrow><mi>a</mi><mi>w</mi><mi>A</mi><mi>R</mi><mi>P</mi><mi>R</mi><mrow><mo>(</mo><msub><mi>I</mi><mn>1</mn></msub><mo>→</mo><msub><mi>I</mi><mn>2</mn></msub><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><mi>n</mi><mo>×</mo><mi>w</mi><mi>d</mi><mi>R</mi><mrow><mo>(</mo><msub><mi>I</mi><mn>2</mn></msub><mo>∪</mo><msub><mi>I</mi><mn>1</mn></msub><mo>)</mo></mrow><mo>-</mo><mi>w</mi><mi>d</mi><mi>R</mi><mrow><mo>(</mo><msub><mi>I</mi><mn>1</mn></msub><mo>)</mo></mrow><mi>w</mi><mi>d</mi><mi>R</mi><mrow><mo>(</mo><msub><mi>I</mi><mn>2</mn></msub><mo>)</mo></mrow></mrow><mrow><mi>w</mi><mi>d</mi><mi>R</mi><mrow><mo>(</mo><msub><mi>I</mi><mn>1</mn></msub><mo>)</mo></mrow><mrow><mo>(</mo><mi>n</mi><mo>-</mo><mi>w</mi><mi>d</mi><mi>R</mi><mo>(</mo><msub><mi>I</mi><mn>2</mn></msub><mo>)</mo><mo>)</mo></mrow></mrow></mfrac></mrow>]]></math><img file="FDA0001161413340000034.GIF" wi="870" he="102" /></maths><maths num="0004"><math><![CDATA[<mrow><mi>a</mi><mi>w</mi><mi>A</mi><mi>R</mi><mi>P</mi><mi>R</mi><mrow><mo>(</mo><msub><mi>I</mi><mn>2</mn></msub><mo>→</mo><msub><mi>I</mi><mn>1</mn></msub><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><mi>n</mi><mo>×</mo><mi>w</mi><mi>d</mi><mi>R</mi><mrow><mo>(</mo><msub><mi>I</mi><mn>2</mn></msub><mo>∪</mo><msub><mi>I</mi><mn>1</mn></msub><mo>)</mo></mrow><mo>-</mo><mi>w</mi><mi>d</mi><mi>R</mi><mrow><mo>(</mo><msub><mi>I</mi><mn>1</mn></msub><mo>)</mo></mrow><mi>w</mi><mi>d</mi><mi>R</mi><mrow><mo>(</mo><msub><mi>I</mi><mn>2</mn></msub><mo>)</mo></mrow></mrow><mrow><mi>w</mi><mi>d</mi><mi>R</mi><mrow><mo>(</mo><msub><mi>I</mi><mn>2</mn></msub><mo>)</mo></mrow><mrow><mo>(</mo><mi>n</mi><mo>-</mo><mi>w</mi><mi>d</mi><mi>R</mi><mo>(</mo><msub><mi>I</mi><mn>1</mn></msub><mo>)</mo><mo>)</mo></mrow></mrow></mfrac></mrow>]]></math><img file="FDA0001161413340000035.GIF" wi="869" he="103" /></maths>4.2.2.2当特征词负项集(﹁I<sub>1</sub>,﹁I<sub>2</sub>)的兴趣度awAPInt(﹁I<sub>1</sub>,﹁I<sub>2</sub>)不小于最小负项集兴趣度阈值minNIInt即awAPInt(﹁I<sub>1</sub>,﹁I<sub>2</sub>)≥minNIInt，并且(﹁I<sub>1</sub>,﹁I<sub>2</sub>)的支持度awsup(﹁I<sub>1</sub>,﹁I<sub>2</sub>)不小于支持度阈值minsup即awsup(﹁I<sub>1</sub>∪﹁I<sub>2</sub>)≥minsup，﹁I<sub>1</sub>→﹁I<sub>2</sub>的概率比awARPR(﹁I<sub>1</sub>→﹁I<sub>2</sub>)以及﹁I<sub>2</sub>→﹁I<sub>1</sub>的概率比awARPR(﹁I<sub>2</sub>→﹁I<sub>1</sub>)都不小于置信度阈值minconf即awARPR(﹁I<sub>1</sub>→﹁I<sub>2</sub>)≥minconf，awARPR(﹁I<sub>2</sub>→﹁I<sub>1</sub>)≥minconf，则挖掘出特征词负关联规则﹁I<sub>1</sub>→﹁I<sub>2</sub>和﹁I<sub>2</sub>→﹁I<sub>1</sub>；awARPR(﹁I<sub>1</sub>→﹁I<sub>2</sub>)和awARPR(﹁I<sub>2</sub>→﹁I<sub>1</sub>)的计算公式如下：<img file="FDA0001161413340000036.GIF" wi="934" he="100" /><img file="FDA0001161413340000037.GIF" wi="934" he="102" />4.2.3、当I<sub>1</sub>和I<sub>2</sub>的项集权重维数比都不小于最小项集权重维数比阈值minwdR即wdR(I<sub>1</sub>)≥minwdR,wdR(I<sub>2</sub>)≥minwdR，以及中文文本数据库中事务记录总数n和上述步骤4.2.1的特征词频繁项集(I<sub>1</sub>∪I<sub>2</sub>)的项集权重维数比wdR(I<sub>1</sub>∪I<sub>2</sub>)的乘积小于I<sub>1</sub>和I<sub>2</sub>的项集权重维数比wdR(I<sub>1</sub>)和wdR(I<sub>2</sub>)的乘积时即n×wdR(I<sub>1</sub>∪I<sub>2</sub>)<wdR(I<sub>1</sub>)×wdR(I<sub>2</sub>)，进行如下操作，所述的wdR(I<sub>1</sub>∪I<sub>2</sub>)、wdR(I<sub>1</sub>)和wdR(I<sub>2</sub>)计算公式同步骤3.1；4.2.3.1当特征词负项集(I<sub>1</sub>∪﹁I<sub>2</sub>)的支持度不小于支持度阈值minsup即awsup(I<sub>1</sub>∪﹁I<sub>2</sub>)≥minsup，并且I<sub>1</sub>∪﹁I<sub>2</sub>的兴趣度awAPInt(I<sub>1</sub>,﹁I<sub>2</sub>)不小于最小负项集兴趣度阈值minNIInt即awAPInt(I<sub>1</sub>,﹁I<sub>2</sub>)≥minNIInt，I<sub>1</sub>→﹁I<sub>2</sub>的概率比awARPR(I<sub>1</sub>→﹁I<sub>2</sub>)以及﹁I<sub>2</sub>→I<sub>1</sub>的概率比awARPR(﹁I<sub>2</sub>→I<sub>1</sub>)都不小于置信度阈值minconf即awARPR(I<sub>1</sub>→﹁I<sub>2</sub>)≥minconf，awARPR(﹁I<sub>2</sub>→I<sub>1</sub>)≥minconf，则挖掘出特征词负关联规则I<sub>1</sub>→﹁I<sub>2</sub>和﹁I<sub>2</sub>→I<sub>1</sub>；<img file="FDA0001161413340000041.GIF" wi="911" he="103" /><img file="FDA0001161413340000042.GIF" wi="926" he="103" />4.2.3.2当特征词负项集(﹁I<sub>1</sub>∪I<sub>2</sub>)的支持度不小于支持度阈值minsup即awsup(﹁I<sub>1</sub>∪I<sub>2</sub>)≥minsup，并且﹁I<sub>1</sub>∪I<sub>2</sub>的兴趣度awAPInt(﹁I<sub>1</sub>,I<sub>2</sub>)不小于最小负项集兴趣度阈值minNIInt即awAPInt(﹁I<sub>1</sub>,I<sub>2</sub>)≥minNIInt，﹁I<sub>1</sub>→I<sub>2</sub>的概率比awARPR(﹁I<sub>1</sub>→I<sub>2</sub>)以及I<sub>2</sub>→﹁I<sub>1</sub>的概率比awARPR(I<sub>2</sub>→﹁I<sub>1</sub>)都不小于置信度阈值minconf即awARPR(﹁I<sub>1</sub>→I<sub>2</sub>)≥minconf，awARPR(I<sub>2</sub>→﹁I<sub>1</sub>)≥minconf，则挖掘出特征词负关联规则﹁I<sub>1</sub>→I<sub>2</sub>和I<sub>2</sub>→﹁I<sub>1</sub>；<img file="FDA0001161413340000043.GIF" wi="926" he="103" /><img file="FDA0001161413340000044.GIF" wi="908" he="103" />4.2.4、继续4.2.1～4.2.3步骤，当特征词频繁项集L<sub>i</sub>的真子集集合中每个真子集都被取出一次，而且仅能取出一次，则转入步骤4.2.5；4.2.5，继续4.1步骤，当特征词频繁项集集合中每个频繁项集L<sub>i</sub>都被取出一次，而且仅能取出一次，则转入第(5)步；(5)从特征词负项集集合termNIS中挖掘有效的完全加权特征词负关联规则，包括以下步骤：5.1、从特征词负项集集合termPIS取出特征词负项集N<sub>i</sub>，求出N<sub>i</sub>的所有真子集，构建N<sub>i</sub>的真子集集合，然后进行下列操作：5.2.1、从N<sub>i</sub>的真子集集合中任意取出两个真子集I<sub>1</sub>和I<sub>2</sub>，I<sub>1</sub>和I<sub>2</sub>没有交集即<img file="FDA0001161413340000045.GIF" wi="210" he="54" />并且它们的项目个数之和等于其原频繁项集的项目个数即I<sub>1</sub>∪I<sub>2</sub>＝N<sub>i</sub>，则分别计算特征词负项集(I<sub>1</sub>∪I<sub>2</sub>)、I<sub>1</sub>和I<sub>2</sub>的项集权重维数比wdR(I<sub>1</sub>∪I<sub>2</sub>)、wdR(I<sub>1</sub>)和wdR(I<sub>2</sub>)；wdR(I<sub>1</sub>∪I<sub>2</sub>)、wdR(I<sub>1</sub>)和wdR(I<sub>2</sub>)的计算公式同步骤3.1；5.2.2、当I<sub>1</sub>和I<sub>2</sub>的项集权重维数比都不小于最小项集权重维数比阈值minwdR即wdR(I<sub>1</sub>)≥minwdR,wdR(I<sub>2</sub>)≥minwdR，以及中文文本数据库记录总数n和上述步骤5.2.1的特征词负项集(I<sub>1</sub>∪I<sub>2</sub>)的项集权重维数比wdR(I<sub>1</sub>∪I<sub>2</sub>)的乘积大于I<sub>1</sub>和I<sub>2</sub>的项集权重维数比wdR(I<sub>1</sub>)和wdR(I<sub>2</sub>)的乘积时即n×wdR(I<sub>1</sub>∪I<sub>2</sub>)>wdR(I<sub>1</sub>)×wdR(I<sub>2</sub>)，进行如下操作：当(﹁I<sub>1</sub>,﹁I<sub>2</sub>)的支持度awsup(﹁I<sub>1</sub>,﹁I<sub>2</sub>)不小于支持度阈值minsup即awsup(﹁I<sub>1</sub>∪﹁I<sub>2</sub>)≥minsup，并且特征词负项集(﹁I<sub>1</sub>,﹁I<sub>2</sub>)的兴趣度awAPInt(﹁I<sub>1</sub>,﹁I<sub>2</sub>)不小于最小负项集兴趣度阈值minNIInt即awAPInt(﹁I<sub>1</sub>,﹁I<sub>2</sub>)≥minNIInt，﹁I<sub>1</sub>→﹁I<sub>2</sub>的概率比awARPR(﹁I<sub>1</sub>→﹁I<sub>2</sub>)以及﹁I<sub>2</sub>→﹁I<sub>1</sub>的概率比awARPR(﹁I<sub>2</sub>→﹁I<sub>1</sub>)都不小于置信度阈值minconf即awARPR(﹁I<sub>1</sub>→﹁I<sub>2</sub>)≥minconf，awARPR(﹁I<sub>2</sub>→﹁I<sub>1</sub>)≥minconf，则挖掘出特征词负关联规则﹁I<sub>1</sub>→﹁I<sub>2</sub>和﹁I<sub>2</sub>→﹁I<sub>1</sub>；awARPR(﹁I<sub>1</sub>→﹁I<sub>2</sub>)和awARPR(﹁I<sub>2</sub>→﹁I<sub>1</sub>)的计算公式同步骤4.2.2.2；5.2.3、当I<sub>1</sub>和I<sub>2</sub>的项集权重维数比都不小于最小项集权重维数比阈值minwdR即wdR(I<sub>1</sub>)≥minwdR,wdR(I<sub>2</sub>)≥minwdR，以及中文文本数据库记录总数n和上述步骤5.2.1的特征词负项集(I<sub>1</sub>∪I<sub>2</sub>)的项集权重维数比wdR(I<sub>1</sub>∪I<sub>2</sub>)的乘积小于I<sub>1</sub>和I<sub>2</sub>的项集权重维数比wdR(I<sub>1</sub>)和wdR(I<sub>2</sub>)的乘积即n×wdR(I<sub>1</sub>∪I<sub>2</sub>)<wdR(I<sub>1</sub>)×wdR(I<sub>2</sub>)时，进行如下操作：5.2.3.1当特征词负项集(I<sub>1</sub>∪﹁I<sub>2</sub>)的支持度不小于支持度阈值minsup即awsup(I<sub>1</sub>∪﹁I<sub>2</sub>)≥minsup，并且(I<sub>1</sub>∪﹁I<sub>2</sub>)的兴趣度awAPInt(I<sub>1</sub>,﹁I<sub>2</sub>)不小于最小负项集兴趣度阈值minNIInt即awAPInt(I<sub>1</sub>,﹁I<sub>2</sub>)≥minNIInt，I<sub>1</sub>→﹁I<sub>2</sub>的概率比awARPR(I<sub>1</sub>→﹁I<sub>2</sub>)以及﹁I<sub>2</sub>→I<sub>1</sub>的概率比awARPR(﹁I<sub>2</sub>→I<sub>1</sub>)都不小于置信度阈值minconf即awARPR(I<sub>1</sub>→﹁I<sub>2</sub>)≥minconf，awARPR(﹁I<sub>2</sub>→I<sub>1</sub>)≥minconf，则挖掘出特征词负关联规则I<sub>1</sub>→﹁I<sub>2</sub>和﹁I<sub>2</sub>→I<sub>1</sub>；5.2.3.2当特征词负项集(﹁I<sub>1</sub>∪I<sub>2</sub>)的支持度不小于支持度阈值minsup即awsup(﹁I<sub>1</sub>∪I<sub>2</sub>)≥minsup，并且(﹁I<sub>1</sub>∪I<sub>2</sub>)的兴趣度awAPInt(﹁I<sub>1</sub>,I<sub>2</sub>)不小于最小负项集兴趣度阈值minNIInt即awAPInt(﹁I<sub>1</sub>,I<sub>2</sub>)≥minNIInt，﹁I<sub>1</sub>→I<sub>2</sub>的概率比awARPR(﹁I<sub>1</sub>→I<sub>2</sub>)以及I<sub>2</sub>→﹁I<sub>1</sub>的概率比awARPR(I<sub>2</sub>→﹁I<sub>1</sub>)都不小于置信度阈值minconf即awARPR(﹁I<sub>1</sub>→I<sub>2</sub>)≥minconf，awARPR(I<sub>2</sub>→﹁I<sub>1</sub>)≥minconf，则挖掘出特征词负关联规则﹁I<sub>1</sub>→I<sub>2</sub>和I<sub>2</sub>→﹁I<sub>1</sub>；5.2.4、继续5.2.1～5.2.3步骤，当特征词N<sub>i</sub>的真子集集合中每个真子集都当且仅当被取出一次，则转入步骤5.2.5；5.2.5，继续5.1步骤，当特征词负项集集合中每个负项集N<sub>i</sub>都当且仅当被取出一次，则特征词正负关联规则模式挖掘结束；至此，完全加权正负关联规则挖掘结束。 |
