陈 通，樊蓓蓓+，陈东萍

(1.上海大学 机电学院，上海 200444;2.临沂大学 物流学院，山东 临沂 276000)

0 引言

关联规则是决策系统中表达经验和知识的一种常用方式[1-2]，可以辅助决策者做出有效判断。关联规则挖掘是从现有设计案例中获取关联规则的过程，是决策领域研究的热点之一[3-4]，现有文献从算法效率[5]、挖掘规则表示[6]、划分[7]、增量式更新[8]等不同角度对关联规则挖掘方法进行研究。考虑到决策数据的模糊性，章武媚等[9]、沈海澜等[10]、王飞等[11]将模糊集理论融入数据挖掘，研究了模糊关联规则挖掘方法。通过隶属度函数模糊集合可以表达自然语言边界的模糊不确定性，但无法表达决策者做出判断时的犹豫不确定性，Atanassov[12]提出的直觉模糊集合(Intuitionistic Fuzzy Sets, IFS)，将只考虑隶属度的模糊集理论推广为同时考虑隶属度、非隶属度和犹豫度3方面信息的直觉模糊集，反映了决策者评价时表现出肯定、否定和犹豫的思维习惯。在实际决策问题中，受客观环境复杂性、决策者知识结构和专业水平以及时间等诸多因素的影响，决策者的判断往往存在一定的犹豫度或表现出一定程度的知识缺乏[13-14],例如观众对电影评价时，惯于采用“轻松”、“感人”、“清新”等自然语言。一部电影是否轻松并非绝对，模糊集可以表达“轻松”这个词的模糊边界，但观众对电影作出“轻松”的判断时可能会有一定程度的犹豫，有些观众是肯定的，有些观众是犹豫的。此时，采用直觉模糊集来表达决策者的观点比用实数和传统模糊数更为全面、细致和直观，直觉模糊集理论已经引起决策[15]、逻辑规划[16]、医疗诊断[17]、机器学习[18]等众多领域内学者的高度重视。……