基于概念格的關(guān)聯(lián)規(guī)則在排產(chǎn)管理的應(yīng)用

張 曉，龍 偉，盧 斌

ZHANG Xiao,LONG Wei,LU Bin

南昌大學(xué) 信息工程學(xué)院，南昌 330031

School of Information and Engineering,Nanchang University,Nanchang 330031,China

1 引言

汽車沖壓廠在生產(chǎn)過程中，具有混線生產(chǎn)、多品種以及多工藝的特征，近幾年來，隨著生產(chǎn)信息管理系統(tǒng)的廣泛使用，沖壓廠積累了大量的生產(chǎn)歷史數(shù)據(jù)，但是目前該系統(tǒng)大部分僅限于查詢、統(tǒng)計(jì)等功能，無法發(fā)現(xiàn)數(shù)據(jù)中存在的關(guān)系和規(guī)則，導(dǎo)致了“數(shù)據(jù)爆炸但知識(shí)貧乏”的現(xiàn)象[1]。而數(shù)據(jù)挖掘技術(shù)[2-3]能有效從這些大量復(fù)雜的數(shù)據(jù)中找到有用的規(guī)則和信息，并將它們轉(zhuǎn)化為知識(shí)表示，為管理人員在生產(chǎn)排產(chǎn)中提供理論依據(jù)。

關(guān)聯(lián)規(guī)則[4-5]是數(shù)據(jù)挖掘中的一個(gè)重要分支，描述了數(shù)據(jù)間的潛在關(guān)系，Apriori算法是經(jīng)典的關(guān)聯(lián)規(guī)則算法，目前很多常見的關(guān)聯(lián)規(guī)則挖掘算法都是在此算法的基礎(chǔ)上加以改進(jìn)的，但其生成頻繁項(xiàng)集過程復(fù)雜，對(duì)規(guī)則的可視化存在不足。本文重點(diǎn)分析了基于概念格[6-7]的關(guān)聯(lián)規(guī)則在生產(chǎn)信息數(shù)據(jù)中的應(yīng)用，通過概念的內(nèi)涵和外延及泛化和特化之間的關(guān)系來表示知識(shí)，通過量化概念格尋找關(guān)聯(lián)規(guī)則，并與經(jīng)典的Apriori算法進(jìn)行對(duì)比，能非常容易實(shí)現(xiàn)規(guī)則的可視化，不需要計(jì)算頻繁項(xiàng)目集，就能容易獲取用戶感興趣的規(guī)則，提高了挖掘效率。根據(jù)找到的關(guān)聯(lián)規(guī)則，指導(dǎo)企業(yè)作出排產(chǎn)方案[8]，達(dá)到優(yōu)化排產(chǎn)，降低庫存，提高產(chǎn)品生產(chǎn)效率和增強(qiáng)企業(yè)競(jìng)爭(zhēng)力的目的[9-10]。

2 汽車沖壓廠排產(chǎn)管理分析

汽車沖壓廠的生產(chǎn)管理是以科室為單位進(jìn)行的，其生產(chǎn)流程為：首先，制造科人員根據(jù)沖壓廠的庫存數(shù)據(jù)、零件需求、訂貨成本、訂貨周期、持有成本、缺貨率等信息，計(jì)算沖壓件可支撐天數(shù)，從大到小排列生成一張排產(chǎn)信息表。然后由科室排產(chǎn)人員對(duì)相應(yīng)零部件安排好加工生產(chǎn)線、班次和工序次序。其次由技術(shù)科對(duì)沖壓件在生產(chǎn)過程中的技術(shù)要求作出規(guī)劃。最后沖壓車間根據(jù)排產(chǎn)信息和技術(shù)要求進(jìn)行沖壓件的生產(chǎn)，并填寫生產(chǎn)數(shù)據(jù)信息，質(zhì)管科對(duì)生產(chǎn)過程中所有產(chǎn)品的質(zhì)量進(jìn)行監(jiān)測(cè)，并由設(shè)備科維護(hù)或維修設(shè)備。

其中，制造科人員如何根據(jù)已有信息作出高效的排產(chǎn)計(jì)劃是生產(chǎn)過程的關(guān)鍵。其他科室人員都是根據(jù)該排產(chǎn)計(jì)劃來作業(yè)生產(chǎn)，排產(chǎn)計(jì)劃愈合理，沖壓廠的生產(chǎn)效率愈高，企業(yè)績效愈好[11]。因此，本文重點(diǎn)研究了如何利用數(shù)據(jù)挖掘中基于概念格[12-13]的關(guān)聯(lián)規(guī)則技術(shù)來實(shí)現(xiàn)優(yōu)化排產(chǎn)的目的[14]。

2.1 關(guān)聯(lián)規(guī)則概述

關(guān)聯(lián)規(guī)則既可以發(fā)現(xiàn)不同事物間的新規(guī)律，又能檢驗(yàn)事物間隱藏的相互關(guān)系、依存性和關(guān)聯(lián)性。若兩個(gè)或多個(gè)變量的取值之間存在某種規(guī)律性，就稱為關(guān)聯(lián)。關(guān)聯(lián)規(guī)則挖掘技術(shù)用于發(fā)現(xiàn)數(shù)據(jù)庫中屬性之間的有意義的聯(lián)系，旨在尋找在同一事件中出現(xiàn)的不同事物的相關(guān)性。關(guān)聯(lián)規(guī)則挖掘問題就是在事物數(shù)據(jù)庫中找出具有用戶給定的最小支持度和最小置信度的關(guān)聯(lián)規(guī)則，關(guān)聯(lián)規(guī)則挖掘問題可以分為以下兩個(gè)子問題：

（1）生成頻繁項(xiàng)集：其任務(wù)是生成所有滿足最小支持度閥值的項(xiàng)集，這些項(xiàng)集被稱為頻繁項(xiàng)集。

（2）生成規(guī)則：其任務(wù)是從上一步生成的頻繁項(xiàng)集中提取所有高置信度的規(guī)則。

其中第一個(gè)問題是關(guān)聯(lián)規(guī)則的核心問題，相對(duì)生成頻繁項(xiàng)集而言，規(guī)則的生成則比較簡單和直接。通常，生成頻繁項(xiàng)集所需的計(jì)算開銷要遠(yuǎn)遠(yuǎn)大于規(guī)則生成所需的計(jì)算開銷。一般來說關(guān)聯(lián)規(guī)則挖掘算法主要是對(duì)第一部分提出來的。

2.2 概念格定義

（1）形式背景

對(duì)于一個(gè)三元組K(U，A，I)，其中U表示對(duì)象集合，A表示屬性集合，I表示對(duì)象U和屬性A之間的二元關(guān)系。如果存在(u，a)∈I，說明對(duì)象u具有屬性a。當(dāng)X*={a|a∈A，?x∈X，xIa}，X?U；B*={x|x∈U，?a∈B，xIa}，B?A 。若 ?X*=B 且 B*=X ，稱 (X，B)為一個(gè)形式概念。 X定義為概念(X，B)的外延，B定義為概念(X，B)的內(nèi)涵。概念的外延是指概念覆蓋的所有對(duì)象之集，概念的內(nèi)涵是指所有對(duì)象所共有的屬性。

（2）概念格

屬性和對(duì)象之間的關(guān)系用概念格來表示，在概念格的結(jié)點(diǎn)之間，有一種偏序關(guān)系存在，若有C1(X1，B1)和C2(X2，B2)，則 C1＜C2必然有 B1＜B2，這一種偏序關(guān)系說明 C1(X1，B1)是 C2(X2，B2)的高級(jí)概念，或者說 C1(X1，B1)是C2(X2，B2)的一個(gè)泛化。對(duì)于形式背景 (U，A，I)，在關(guān)系I中，只存在著唯一的偏序集，這個(gè)偏序集產(chǎn)生的格結(jié)構(gòu)，稱為概念格。所以，一個(gè)形式背景只可能產(chǎn)生唯一的概念格。

（3）Hasse圖

Hasse圖用一種簡明有效的圖將概念格中的偏序集關(guān)系表示出來，能夠非常完整直觀地表示出所有概念結(jié)點(diǎn)之間外延和內(nèi)涵以及泛化和特化的關(guān)系，是表示概念格最通用的方法。

3 基于概念格的關(guān)聯(lián)規(guī)則在排產(chǎn)管理的應(yīng)用

3.1 數(shù)據(jù)準(zhǔn)備

5個(gè)科室管理人員分別從不同的入口把數(shù)據(jù)采集到生產(chǎn)信息管理系統(tǒng)各個(gè)子系統(tǒng)數(shù)據(jù)庫中，期間產(chǎn)生了許多冗余的、不規(guī)范的、錯(cuò)誤的和不一致的數(shù)據(jù)，如果把這些數(shù)據(jù)直接用于數(shù)據(jù)挖掘，那么需要花費(fèi)大量的時(shí)間，所以在數(shù)據(jù)挖掘之前必須做好對(duì)數(shù)據(jù)的清洗等工作，為數(shù)據(jù)挖掘準(zhǔn)備好數(shù)據(jù)。

到目前為止，沖壓車間生產(chǎn)的汽車零部件有1305多種，產(chǎn)品生產(chǎn)總記錄數(shù)超過30萬。如果對(duì)數(shù)據(jù)庫的所有數(shù)據(jù)進(jìn)行分析，得到的關(guān)聯(lián)規(guī)則支持度可能會(huì)非常低，甚至得不到關(guān)聯(lián)規(guī)則，因此，本實(shí)例中選取某特定車型零部件產(chǎn)品序號(hào)為T074的生產(chǎn)信息數(shù)據(jù)作為數(shù)據(jù)挖掘庫，對(duì)同一產(chǎn)品序號(hào)進(jìn)行挖掘，在實(shí)際應(yīng)用中，用戶可以選擇其他產(chǎn)品車型或字段屬性生成數(shù)據(jù)挖掘庫。

在收集到的生產(chǎn)信息數(shù)據(jù)中有很多屬性，但是其中有一些與數(shù)據(jù)挖掘關(guān)系不大，或數(shù)據(jù)本身沒有挖掘意義。例如產(chǎn)品名稱等屬性，這些屬性值是唯一性的，沒有什么挖掘意義，而數(shù)據(jù)量又很大，可以直接刪除，從而壓縮搜索空間。另外還有像日期之類的屬性，沒有分類的意義，可以剔除這些數(shù)據(jù)，達(dá)到精簡數(shù)據(jù)規(guī)模的目的。同時(shí)，對(duì)不完整的、有噪聲的和不一致的字段或數(shù)據(jù)進(jìn)行清理，具體操作為填充某些空缺的字段值，消除多個(gè)表中的不一致，構(gòu)造一些字段以便概化，對(duì)某些數(shù)字型字段進(jìn)行離散化的歸約工作等，以確保數(shù)據(jù)的有效性。

經(jīng)過數(shù)據(jù)預(yù)處理后，為了說明問題，數(shù)據(jù)集中最終確定的生產(chǎn)信息數(shù)據(jù)表中包含了7個(gè)相關(guān)屬性（ID，生產(chǎn)線，班次，工序次序，庫存數(shù)量，缺貨率，核對(duì)完工數(shù)）。根據(jù)相關(guān)標(biāo)準(zhǔn)，把核對(duì)完工數(shù)、庫存數(shù)量和缺貨率是否達(dá)標(biāo)作為規(guī)則的結(jié)果（Y表示最優(yōu)，N表示不是），其部分?jǐn)?shù)據(jù)如表1。

為了方便數(shù)據(jù)的表述，對(duì)表1中屬性“生產(chǎn)線”用字母a表示，具體值A(chǔ)1、A2分別用1、0表示；屬性“班次”用字母b表示，具體值白班、晚班用1、0表示；以此類推形式化表1中的數(shù)據(jù)。本文中為了說明基于概念格的數(shù)據(jù)挖掘在汽車沖壓工序應(yīng)用的可行性及高效性，選取其中的6組數(shù)據(jù)（分別用 ui(i=1，2，3，4，5，6)表示）來說明問題，最終用來闡述問題的部分?jǐn)?shù)據(jù)如表2所示。

表1 生產(chǎn)信息數(shù)據(jù)表

表2 生產(chǎn)信息數(shù)據(jù)簡化表

3.2 關(guān)聯(lián)規(guī)則挖掘

本文首先利用經(jīng)典的Apriori算法對(duì)表2中的數(shù)據(jù)進(jìn)行關(guān)聯(lián)規(guī)則挖掘，然后使用量化概念格生成關(guān)聯(lián)規(guī)則，并將挖掘結(jié)果進(jìn)行對(duì)比分析，利用生成的關(guān)聯(lián)規(guī)則給制造科人員排產(chǎn)提供理論依據(jù)。

3.2.1 Apriori算法挖掘

Apriori算法是經(jīng)典的關(guān)聯(lián)規(guī)則算法，其核心是基于頻集理論的遞推方法。該算法使用一種稱作逐層迭代的候選產(chǎn)生測(cè)試的方法，K項(xiàng)集用于探索產(chǎn)生K+1項(xiàng)集。將Apriori算法應(yīng)用于上述準(zhǔn)備好的數(shù)據(jù)中，并且設(shè)置支持度為0.04和置信度為0.45，具體實(shí)現(xiàn)過程如下：

產(chǎn)生1-候選項(xiàng)CX(1)，設(shè) rx∈CX(1)，如果對(duì)任意ry∈D都存在sup(rx=＞ry)＜0.04，則稱rx是非頻繁的，將rx從CX(1)中刪除，否則，如果conf(rx=＞ry)≥0.45，則說明規(guī)則rx=＞ry符合條件。CX(1)刪除所有非頻繁項(xiàng)集后構(gòu)成1-頻繁集L1。

在L1的基礎(chǔ)上，利用Apriori性質(zhì)壓縮搜索空間，由連接和剪枝生成2-候選項(xiàng)集CX(2)，掃描事物數(shù)據(jù)庫，利用與上述相同的方法，并根據(jù)最小支持度和最小置信度找到滿足條件的關(guān)聯(lián)規(guī)則，刪除所有非頻繁項(xiàng)集后生成2-頻繁集 L2。

這一過程反復(fù)進(jìn)行，直到生成K-頻繁項(xiàng)集Lk，并且不可能再生成滿足最小支持度的k+1項(xiàng)集為止。

最后產(chǎn)生的有效關(guān)聯(lián)規(guī)則如表3所示。

3.2.2 構(gòu)造概念格

對(duì)于表2中的形式背景，利用分而治之方法來構(gòu)造Hasse圖，即首先將表2中的形式背景進(jìn)行拆分，分解得到兩個(gè)小的形式背景，然后分別對(duì)各個(gè)小的形式背景構(gòu)造概念格，最后將兩個(gè)小形式背景構(gòu)造的概念格進(jìn)行合并[15-16]。其構(gòu)造算法的偽代碼如算法1所示。

表3 基于Apriori算法的關(guān)聯(lián)規(guī)則

算法1

本例中采用橫向拆分與縱向合并的策略來構(gòu)造最終的Hasse圖。采用分治策略構(gòu)造概念格可以有效地簡化構(gòu)造過程的復(fù)雜性，同時(shí)提高構(gòu)造效率。本文設(shè)定屬性的閥值個(gè)數(shù)為4，即由屬性個(gè)數(shù)大于或等于4的構(gòu)成形式背景1，其余屬性個(gè)數(shù)小于4的屬于形式背景2，拆分后得到的兩個(gè)小形式背景分別如表4、表5所示。

表4 形式背景1

表5 形式背景2

首先對(duì)表4和表5兩個(gè)小形式背景分別構(gòu)造相應(yīng)的概念格，構(gòu)造子概念格的算法偽代碼如算法2所示。

算法2

按照上述算法最終得到的子形式背景的Hasse圖分別如圖1、圖2所示。

圖1 形式背景1對(duì)應(yīng)的Hasse圖

圖2 形式背景2對(duì)應(yīng)的Hasse圖

然后按自上而下的順序?qū)D1和圖2中的概念格進(jìn)行合并，其合并算法的偽代碼如算法3所示。

算法3

根據(jù)算法3得到最終合并后的總體概念格，其對(duì)應(yīng)Hasse圖如圖3所示。

圖3 概念格的整體Hasse圖

3.2.3 基于概念格生成關(guān)聯(lián)規(guī)則

概念格作為數(shù)據(jù)挖掘和提取關(guān)聯(lián)規(guī)則的有效工具，直接通過所有概念格結(jié)點(diǎn)之間的泛化和特化關(guān)系來提取規(guī)則，得到數(shù)量較少的、用戶感興趣的、容易理解和能有效反映真實(shí)情況的關(guān)聯(lián)過則。為了簡化實(shí)現(xiàn)過程，可以用計(jì)數(shù)值來表示每個(gè)概念格結(jié)點(diǎn)的外延。如果外延個(gè)數(shù)大于最小支持度計(jì)數(shù)，則說明該結(jié)點(diǎn)的內(nèi)涵就是一個(gè)頻繁項(xiàng)集。因此，在進(jìn)行概念格的關(guān)聯(lián)規(guī)則挖掘之前，首先把概念格進(jìn)行形式上的改變，即用計(jì)數(shù)值來表示概念格結(jié)點(diǎn)的外延個(gè)數(shù)，這種概念格就稱為量化概念格。該表示方法具有諸多優(yōu)點(diǎn)，主要表現(xiàn)在：在每個(gè)概念格結(jié)點(diǎn)中包含有外延計(jì)數(shù)值，不需考慮外延所包含的具體信息，因此，在只考慮外延計(jì)數(shù)值的情況下，能快速高效地計(jì)算關(guān)聯(lián)規(guī)則的置信度和支持度。本例中概念格的整體Hasse圖量化之后如圖4所示。

從量化概念格中生成關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘中的關(guān)鍵，概念格中各個(gè)結(jié)點(diǎn)生成的關(guān)聯(lián)規(guī)則依賴于其雙親結(jié)點(diǎn)。

圖4 量化概念格

（1）如果結(jié)點(diǎn) C(X，B)只有一個(gè)雙親結(jié)點(diǎn) C1(X1，B1)，則C蘊(yùn)含規(guī)則的前件為(B-B1)，對(duì)于?p∈(B-B1)，存在的蘊(yùn)含規(guī)則為 p=＞B-p。例如，對(duì)于圖4中第二層的第一個(gè)結(jié)點(diǎn)（3，{e，a}），其只有一個(gè)雙親結(jié)點(diǎn)（6，{e}），那么滿足條件，因此該結(jié)點(diǎn)產(chǎn)生的規(guī)則前件是(B-B1)={e，a}-{e}={a}，所存在的關(guān)聯(lián)規(guī)則：a=>e。

（2）如果結(jié)點(diǎn) C(X，B)有兩雙親結(jié)點(diǎn) C1(X1，B1)和C2(X2，B2)，則對(duì)于 ?p1∈(B1-B1∩B2)?p2∈(B2-B1∩ B2)，存在蘊(yùn)含規(guī)則為 p1p2=＞B-p1p2。例如圖4中，第三層第二個(gè)結(jié)點(diǎn)（3，{e，a，d}）的雙親結(jié)點(diǎn)為（3，{e，a}）和（5，{e，d}），則

因此該結(jié)點(diǎn)的規(guī)則為ad=>e。

（3）如果結(jié)點(diǎn) C(X，B)有 n 個(gè)雙親結(jié)點(diǎn) C1(X1，B1)，C2(X2，B2)，…，Cn(Xn，Bn)，則對(duì)于?p∈(B-B1∪B2∪…∪Bn)，存在蘊(yùn)含規(guī)則為 p=＞B-p。

（4）前面三種方法產(chǎn)生的關(guān)聯(lián)規(guī)則都是概念格結(jié)點(diǎn)與其雙親結(jié)點(diǎn)間的聯(lián)系，置信度全部是1。但概念格結(jié)點(diǎn)內(nèi)涵里也有可能存在強(qiáng)關(guān)聯(lián)規(guī)則，需要進(jìn)一步計(jì)算。例如對(duì)于圖4中第三層的最后一個(gè)結(jié)點(diǎn)（3，{e，d，f}），有|X|/|X1|=3/5=0.6，所以存在強(qiáng)關(guān)聯(lián)規(guī)則df=>e，且置信度為0.6。

根據(jù)上述算法依次計(jì)算各結(jié)點(diǎn)產(chǎn)生的關(guān)聯(lián)規(guī)則，最終由圖4所示的量化概念格得到的關(guān)聯(lián)規(guī)則如表6所示。

3.3 結(jié)果分析

由上述分析可知，根據(jù)量化概念格的Hasse圖，能夠非常容易獲得各個(gè)頻繁項(xiàng)目集，相比Apriori算法更加簡捷直觀。比較表5和表6的數(shù)據(jù)，可以看到，通過量化概念格的挖掘得到了20條關(guān)聯(lián)規(guī)則，與Apriori算法相比減少了6個(gè)規(guī)則，但是這6條規(guī)則均可由已經(jīng)產(chǎn)生的規(guī)則推倒得到，基于概念格的關(guān)聯(lián)規(guī)則挖掘只需掃描一次概念格結(jié)點(diǎn)就能生成規(guī)則，經(jīng)典的Apriori算法則需要多次掃描事物數(shù)據(jù)庫，效率較低。因此，該算法在結(jié)果和效率上都比Apriori算法更優(yōu)。

對(duì)于表6中的數(shù)據(jù)進(jìn)行分析，例如選取規(guī)則bc=>def，表示班次和工序次序會(huì)對(duì)庫存數(shù)量、缺貨率和核對(duì)完工數(shù)的影響程度為100%，即會(huì)產(chǎn)生比較重要的影響。這與人們的直觀認(rèn)識(shí)也比較近似，班次、工序次序等安排合理，庫存數(shù)量、缺貨率和核對(duì)完工數(shù)才能達(dá)標(biāo)。另外選取規(guī)則ac=>def，規(guī)則的置信度為83.1%，說明生產(chǎn)線、工序次序會(huì)影響最后的庫存數(shù)量、缺貨率和核對(duì)完工數(shù)。因此，在只考慮生產(chǎn)線、班次、工序次序、庫存數(shù)量、缺貨率和核對(duì)完工數(shù)屬性，不考慮其他各種具體復(fù)雜影響因素的情況下，必須合理安排生產(chǎn)線、班次、工序次序等信息，才能較好地完成工作量。例如，對(duì)于產(chǎn)品序號(hào)為T074的零件，給定一定生產(chǎn)計(jì)劃量：把計(jì)劃量分為6個(gè)階段，分別以字母順序進(jìn)行排序，表示為{A：（0～199）件，B：（200～399）件，C：（400～599）件，D：（600～799）件，E：（800～999）件，F(xiàn)：（1000件及以上）}，同理，將庫存數(shù)量表示為：{A：（0～99）件，B：（100～199）件，C：（200～299）件，D：（300件及以上）}，為了保證缺貨率和核對(duì)完工數(shù)都完全達(dá)標(biāo)，針對(duì)本文中分析的6個(gè)屬性，可得到如表7所示的生產(chǎn)計(jì)劃排產(chǎn)情況。

表6 基于量化概念格的關(guān)聯(lián)規(guī)則

本文只選取了部分?jǐn)?shù)據(jù)來說明問題，闡述了該方案的可行性，對(duì)于實(shí)際應(yīng)用中的更多數(shù)據(jù)，也能采用同樣的分析方法，通過概念格理論構(gòu)造量化概念格，然后從量化概念格中挖掘關(guān)聯(lián)規(guī)則。對(duì)關(guān)聯(lián)規(guī)則和支持度、置信度逐一進(jìn)行分析，明顯發(fā)現(xiàn)其中隱藏的、人們感興趣的、對(duì)生產(chǎn)調(diào)度有用的信息，然后為管理人員作出排產(chǎn)計(jì)劃提供理論依據(jù)，從而指導(dǎo)人們進(jìn)行生產(chǎn)，達(dá)到優(yōu)化排產(chǎn)、提高生產(chǎn)效率的目的。

表7 生產(chǎn)計(jì)劃排產(chǎn)表

4 結(jié)論

根據(jù)汽車沖壓廠生產(chǎn)數(shù)據(jù)特點(diǎn)和需求分析，為了優(yōu)化排產(chǎn)和解決生產(chǎn)數(shù)據(jù)量巨大的問題，提出了適合于沖壓廠實(shí)際情況的基于概念格的關(guān)聯(lián)規(guī)則挖掘算法。根據(jù)企業(yè)計(jì)劃，在總體上實(shí)現(xiàn)優(yōu)化排產(chǎn)、改善企業(yè)整體管理水平、提高企業(yè)業(yè)績的目的。首先利用Apriori算法得到關(guān)聯(lián)規(guī)則，然后重點(diǎn)研究了基于概念格的關(guān)聯(lián)規(guī)則在汽車排產(chǎn)管理的應(yīng)用，通過對(duì)比分析可知，采用量化概念格，比Apriori算法更加簡捷、直觀、高效，并且易于理解，能有效實(shí)現(xiàn)規(guī)則的可視化。但是本文只是研究了基于概念格的關(guān)聯(lián)規(guī)則在汽車廠排產(chǎn)管理上的應(yīng)用，討論了數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則技術(shù)，在以后的工作中，將深入研究概念格在其他問題上的應(yīng)用，為更多的數(shù)據(jù)挖掘提供理論方法和現(xiàn)實(shí)依據(jù)。

[1]中國統(tǒng)計(jì)網(wǎng).Sybase數(shù)據(jù)分析與管理技術(shù)之四大法寶[EB/OL].（2012-02-05）.http：//www.itongji.cn/news/0205MR012.html.

[2]Michael J A B，Linoff G S.數(shù)據(jù)挖掘[M].袁衛(wèi)，譯.北京：中國勞動(dòng)社會(huì)保障出版社，2004.

[3]胡可云，田鳳占，黃厚寬.數(shù)據(jù)挖掘理論與應(yīng)用[M].北京：清華大學(xué)出版社，北京交通大學(xué)出版社，2008.

[4]文拯.關(guān)聯(lián)規(guī)則算法的研究[D].長沙：中南大學(xué)，2009.

[5]高飛.關(guān)聯(lián)規(guī)則挖掘算法研究[D].西安：西安電子科技大學(xué)，2001.

[6]何超，程學(xué)旗，郭嘉豐.面向分面導(dǎo)航的層次概念格模型及挖掘算法[J].計(jì)算機(jī)學(xué)報(bào)，2011，34（9）：1589-1602.

[7]畢強(qiáng)，滕廣青.國外形式概念分析與概念格理論應(yīng)用研究的前沿進(jìn)展及熱點(diǎn)研究[J].現(xiàn)代圖書情報(bào)技術(shù)，2010，26（11）：17-23.

[8]潘燕.數(shù)據(jù)挖掘在汽車銷售企業(yè)CRM中的應(yīng)用[J].計(jì)算機(jī)時(shí)代，2011（11）：35-36.

[9]Adomavicius G，Tuzhilin A.Using data mining methods to build customer profiles[J].Computer，2001，34（2）：74-82.

[10]Chen Ming-Syan，Han Jiawei，Yu P S.Data mining：an overview from a database perspective[J].IEEE Transactions on Knowledge and Data Engineering，1996，8（6）：866-883.

[11]Ngai E W T，Xiu L，Chau D C K.Application of data mining techniques in customer relationship management：a literature review and classification[J].Expert Systems with Applications，2009，36（2）：2592-2602.

[12]Qu K S，Liang J Y，Wang J H，et al.The algebraic properties of concept lattice[J].Journal of Systems Science and Information，2004，2（2）：271-277.

[13]Eklund P，Villerd J.A survey of hybrid representations of concept lattices in conceptual knowledge processing[C]//Lecture Notes in Computer Science，2010，5986：296-311.

[14]畢建新.基于APS的企業(yè)生產(chǎn)線調(diào)度系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].沈陽：東北大學(xué)，2011.

[15]滕廣青，董立麗，田依林，等.基于概念格的社區(qū)用戶知識(shí)需求模型研究[J].情報(bào)科學(xué)，2013，29（1）：108-122.

[16]胡立華，張繼福，張素蘭.一種基于剪枝的橫向分塊概念格構(gòu)造算法[J].小型微型計(jì)算機(jī)系統(tǒng)，2011，32（7）：1394-1399.