關(guān)聯(lián)規(guī)則挖掘中Apriori算法的研究.pdf

1、目前，隨著數(shù)據(jù)規(guī)模的急劇增長，如何在這些海量的數(shù)據(jù)中挖掘出有效的信息已經(jīng)成為了全世界備受矚目的話題，因此，數(shù)據(jù)挖掘成為了極其熱門的研究領(lǐng)域。關(guān)聯(lián)規(guī)則挖掘作為數(shù)據(jù)挖掘領(lǐng)域中非常重要的研究方向之一，國內(nèi)外許多學者對關(guān)聯(lián)規(guī)則挖掘技術(shù)進行了諸多的研究，但仍有很多問題需要完善。
　　作為關(guān)聯(lián)規(guī)則挖掘最經(jīng)典的算法，Apriori算法能夠有效地挖掘出事務(wù)數(shù)據(jù)庫的頻繁項集，根據(jù)挖掘出的頻繁項集可以快速準確地找出關(guān)聯(lián)規(guī)則。然而，Apriori算法具

2、有兩大顯著的缺陷，該算法需要多次掃描數(shù)據(jù)庫和產(chǎn)生大量無用的候選項集，也正是因為這兩大缺點，給關(guān)聯(lián)規(guī)則挖掘技術(shù)的發(fā)展帶來了極大的挑戰(zhàn)。
　　在對Apriori算法深入研究和分析的基礎(chǔ)上，本課題的主要研究工作集中在對Apriori算法的改進，主要體現(xiàn)在以下幾個方面:
　　1)針對傳統(tǒng)Apriori算法I/O開銷大，產(chǎn)生大量多余的候選項集和運行效率低等問題，改進了一種基于映射的Apriori改進算法—Mapping_Apriori

3、。該算法首先采用映射結(jié)構(gòu)來存儲數(shù)據(jù)庫中的事務(wù)，對事務(wù)數(shù)據(jù)庫進行有效壓縮，降低大量的I/O負擔，提出一種新的降低映射維度的策略;同時，通過映射這種數(shù)據(jù)結(jié)構(gòu)可以快速地計算出候選項集的支持度，降低計算復(fù)雜度;最后，根據(jù)頻繁項集的相關(guān)性質(zhì)，可以對頻繁項集Lk-1實現(xiàn)預(yù)先瘦身的效果，有效地避免無用的候選項集的產(chǎn)生。通過實驗，驗證該算法的有效性，提高了算法的運行效率。
　　2)通過對頻繁模式增長算法FP-Growth的深入研究，該算法可以通過

4、不產(chǎn)生候選項集來找出頻繁項集，該算法的核心是頻繁模式樹FP-tree可以對事務(wù)數(shù)據(jù)庫進行高效壓縮?；贔P-tree的優(yōu)勢，改進了一種基于頻繁模式樹的Apriori的改進算法—FP_Apriori。該算法將整個事務(wù)數(shù)據(jù)庫投影到FP-tree上，避免大量的I/O開銷;同時，提出一種更加有方向和有針對性地對FP-tree的搜索策略，降低了算法的運行時間;最后同樣采用Mapping_Apriori算法的原理對頻繁項集Lk-1進行預(yù)先瘦身。通過