《红楼梦》后四十回真假辨析——数据挖掘之关联规则挖掘

前言
很多人都听说过《红楼梦》的后四十回并非曹雪芹所著。本文就是用关联规则挖掘的方法，验证红楼梦后四十回与前八十回之间的用词差异。

基本概念定义
关联：自然界中某种事物发生时，其他事物也会发生，则称这种联系为关联。反映事件之间依赖或者关联的知识称之为关联型知识。（又称为依赖关系）
关联的类型：简单关联、时序关联、因果关联
关联规则挖掘：在交易数据，关系数据、或其他信息载体中，查找存在于项目集合或者对象集合之间的频繁模式、关联、相关性或者因果结构。

数据：即任务相关的数据，是事务的集合。
事务：是项的集合，且每个事务均具有事务标识符TID。
项集：Items，包含k个项的项集称为k-项集。如二项集{X1，X2}
支持度计数：Support，一个项集出现的次数，就是整个数据集中包含该项集的事务数。
置信度：Confidence，是包含A的事务中同时又包含B的百分比，条件概率。
频繁项集：若一个项集的支持度大于等于某个阈值，则称此项集为频繁项集。
强关联规则：同时满足用户定义最小支持度的阈值、和最小置信度阈值的关联规则。
兴趣度：描述了项集A对项集B的影响力大小&#x