加權(quán)關(guān)聯(lián)規(guī)則優(yōu)化算法研究.pdf

1、關(guān)聯(lián)分析是數(shù)據(jù)挖掘領(lǐng)域的主要分支，用于發(fā)現(xiàn)隱藏在數(shù)據(jù)中有意義的聯(lián)系。該領(lǐng)域中，加權(quán)關(guān)聯(lián)規(guī)則挖掘算法與傳統(tǒng)算法相比，更有利于解決數(shù)據(jù)庫(kù)中項(xiàng)目分配不均和重要程度不同的問題，因此相關(guān)研究越來越受到人們重視。
　　本文重點(diǎn)研究加權(quán)關(guān)聯(lián)規(guī)則算法。首先系統(tǒng)介紹了流行的加權(quán)關(guān)聯(lián)規(guī)則模型，比較了他們的優(yōu)劣勢(shì)。在深入研究各個(gè)模型的優(yōu)點(diǎn)的基礎(chǔ)上采用了一種基于聚類和壓縮矩陣的加權(quán)關(guān)聯(lián)規(guī)則挖掘策略，挖掘加權(quán)頻繁項(xiàng)集。其主要思想是采用矩陣作為數(shù)據(jù)庫(kù)數(shù)據(jù)存儲(chǔ)

2、運(yùn)算結(jié)構(gòu)，運(yùn)用空間換時(shí)間的思路減少數(shù)據(jù)庫(kù)訪問頻率，利用聚類劃分的方法分解數(shù)據(jù)庫(kù)，進(jìn)行分布挖掘，降低內(nèi)存占用空間，通過局部頻繁項(xiàng)集生成全局頻繁項(xiàng)集，引入事務(wù)權(quán)重和數(shù)據(jù)庫(kù)權(quán)重的概念優(yōu)化權(quán)值計(jì)算方法，使其滿足支持度度量的反單調(diào)性，提升拼接和剪枝水平，與傳統(tǒng)加權(quán)算法相比，減少了訪問數(shù)據(jù)庫(kù)的頻次，提高了候選項(xiàng)集剪枝效率，整體上提升了算法的性能和準(zhǔn)確度。
　　同時(shí)，為了避免由單支持度導(dǎo)致的挖掘低興趣度的規(guī)則以及出現(xiàn)冗余無效規(guī)則等問題，本文借鑒

3、動(dòng)態(tài)更新的思想引入了多最小支持度的概念，結(jié)合垂直數(shù)據(jù)和項(xiàng)集等價(jià)劃分的思想，設(shè)計(jì)了一種新的基于多支持度的加權(quán)關(guān)聯(lián)規(guī)則挖掘算法(A NewAlgorithm of Weighted Association Rules Mining with Multiple Minimum Supports,NAWARM_ MMS），該算法中不同項(xiàng)集對(duì)應(yīng)給定的不同的最小支持度，通過對(duì)項(xiàng)目設(shè)置不同的支持度閾值，實(shí)現(xiàn)在不同重要程度的數(shù)據(jù)項(xiàng)中挖掘出數(shù)據(jù)量小，但用

4、戶更感興趣、更有價(jià)值的關(guān)聯(lián)規(guī)則。
　　仿真實(shí)驗(yàn)中，通過測(cè)試在不同事務(wù)數(shù)、不同支持度、不同項(xiàng)目數(shù)以及不同項(xiàng)目稠密度的情況下算法的運(yùn)行時(shí)間，驗(yàn)證了改進(jìn)的基于聚類和壓縮矩陣的加權(quán)關(guān)聯(lián)規(guī)則算法，在處理低稠密度數(shù)據(jù)時(shí)，具有更大的優(yōu)勢(shì)，算法復(fù)雜度優(yōu)于基本加權(quán)關(guān)聯(lián)規(guī)則算法;而進(jìn)一步的對(duì)于改進(jìn)后的NAWARM_MMS算法，測(cè)試在不同閾值整體水平和不同事務(wù)數(shù)的情況下運(yùn)行時(shí)間，實(shí)驗(yàn)表明，由于垂直數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)、矩陣壓縮方法以及項(xiàng)集等價(jià)劃分策略的引入，使