Wissensentdeckung in Datenbanken mit Assoziationsregeln

Die Datenanalyse mittels Assoziationsregeln ist eines der am häufigsten eingesetzten Data Mining-Verfahren. In der vorliegenden Arbeit werden die bekannten Verfahren zur Generierung von Assoziationsregeln analysiert und systematisiert und darauf aufbauend neue Ansätze zur Generierung von Assoziationsregeln abgeleitet. Im Rahmen einer Evaluierung erreichen die neu entwickelten Algorithmen in vielen Experimenten wesentlich kürzere Laufzeiten und einen geringeren Speicherbedarf als die bisherigen Ansätze, insbesondere falls eine Taxonomie zu den Analysedaten zur Verfügung steht. Ein iterativer und interaktiver Prozeß setzt kurze Antwortzeiten voraus, die von den Verfahren auf großen Datenmengen nicht immer erreicht werden können. Im Rahmen der vorliegenden Arbeit wird daher ein Regelcache vorgeschlagen, der für viele Anfragen gültig bleibt, die Selektionen der zugrunde liegenden Datensätze beinhalten, und dadurch für solche Anfragen nicht neu initialisiert werden muß.