最近几年，例如YAGO和DBpedia等大规模知识库发展有了很大的进步。知识库提供了大量的不同种类的实体信息，如人、国家、河流、城市大学等等，同时知识库包含了大量的在实体（entity）间的关系既事实（fact）。当今的知识库包含的数据量是巨大的通常有百万个实体和上亿个描述实体间关系的事实数据。 虽然目前的知识库存在大量的实体和事实数据，但是这样大规模的数据仍然不完整。目前构建知识库的方法主要有两种，一种是从大量的文本中抽取事实但这种方法必然会带来大量的噪声数据，第二是人工扩展，但这样的方法对于时间的开销是极大的。如果确保一个知识库是完整的则必须花费很大的努力来抽取大量的事实，并检查事实的正确性，因为只有正确的事实加入到知识库中才是有意义的。同时知识库的本身由于有足够的信息可以推理出更多的新的事实。例如有这样一个例子，一个知识库包含一组事实是孩子c有一个妈妈m，这样可以推理得出孩子妈妈的丈夫f很可能是孩子的父亲。该逻辑规则形式化的描述如下： motherof(m,c)∧marriedTo(m,f)⟹fatherof(f,c) 挖掘这种规则可帮助做一下四种事情：1、利用这种规则来推理出新的事实，而这些被挖掘出的新的事实可以使知识库更完整。2、这些规则可以检测出知识库潜在的错误例如一个陈述是一个与一个男孩无关的人是这个男孩的父亲，这样的陈述很可能是错误的。3、有很多推理工具依赖其他工具提供规则，所以这些被挖掘出来的规则可以用于推理。4、这些规则描述一个普遍的规律，这些规律可以帮我我们理解分析知识库中的数据，如找到一些国家通常与说同一种语言的国家交易。或结婚是一个对称关系，或使用同一个乐器的音乐家通常互相影响等等。 AMIE的目标是从RDF格式的知识库中挖掘如上所述的逻辑规则，在语义网（Semantic Web）中存在大量的RDF知识库如YAGO、Freebase和DBpedia等。这些知识库使用RDF三元组（S,P,O）提供二元关系（binary relation）的描述。由于知识库一般只包含正例而（S,P,O）没有反例（S,¬P,O），所以RDF这样的知识库中仅能通过正例来推理。进一步来说在RDF知识库上的操作是基于开放世界假设（OWA）的。在开放世界假设下，一个事实没有在知识库中存在那么我们不能说这个事实是错误的，只能说这个陈述是未知的。这与标准的数据库在封闭世界假设的设定有本质上的区别。例如在知识库中没有包含marry(a,b)，在封闭世界假设中我们可以得出这个a没有和b结婚而在开放世界假设下我们只能说a可能结婚了也可能单身。 压缩包内包含AMIE可运行源代码与相应文档资料，欢迎下载参考

关于可拓的关联函数，数据挖掘方面有用。

灰色关联分析软件，很好用，可以直接做GM(1，1)等方法，有助于大家提高工作效率！

本代码是C语言实现操作注册表，实现关联指定的后缀名和打开程序。本代码的讲解在http://blog.csdn.net/arvon2012/article/details/7818909

weka是一款由Waikato大学研究的基于Java 的用于数据挖掘和知识发现的开源项目, 其中集成了大量能承担数据挖掘任务的机器学习算法, 包括对数据进行预处理、关联规则挖掘、分类、聚类等, 并提供了丰富的可视化功能。同时, 由于其是一款开源软件, 所以也可以用于数据挖掘的二次开发和算法研究。文章介绍了利用开源软件WEKA 作为数据挖掘工具, 通过Apriori 算法, 对高校图书馆流通历史数据进行挖掘分析。

matlab 实现，大家分享下

本程序使用java实现灰色关联算法，计算灰色关联度，使用者可根据自身需要进行修改

通过布尔代数解决 一些商品推荐系统，好友推荐系统，附带演示源码

很好用的灰色系统理论软件，简单易操作。可进行灰色系统预测，灰色关联分析，灰色聚类分析等功能。

httpunit2.21jar及关联jar包，也可以自行去maven仓库中下载