基于邏輯與運(yùn)算的關(guān)聯(lián)規(guī)則挖掘算法.pdf

1、數(shù)據(jù)挖掘技術(shù)是解決數(shù)據(jù)豐富而知識(shí)貧乏的有效途徑，當(dāng)屬信息科學(xué)領(lǐng)域的前沿研究課題之一，有關(guān)的研究和應(yīng)用極大提高了決策支持的能力，它已被公認(rèn)為是數(shù)據(jù)庫(kù)研究中一個(gè)極富應(yīng)用前景的領(lǐng)域。數(shù)據(jù)挖掘由一些大型零售機(jī)構(gòu)所面臨的“決策支持”問(wèn)題(decision support problem)所激發(fā)。應(yīng)用條形碼技術(shù)采集的大量銷(xiāo)售數(shù)據(jù)成為挖掘的基礎(chǔ)。通過(guò)對(duì)這些數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘我們可以找到對(duì)于商業(yè)銷(xiāo)售及生產(chǎn)極為有效的一些信息(這些信息通過(guò)具體的模式得到

2、反映)，從而可以提高銷(xiāo)售和生產(chǎn)效率，降低成本，取得最大的商業(yè)效益，這就是數(shù)據(jù)挖掘的意義所在。本文描述了數(shù)據(jù)挖掘的概念、功能、過(guò)程以及發(fā)現(xiàn)模式的分類(lèi)。在眾多的數(shù)據(jù)挖掘算法中，挖掘關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘領(lǐng)域中的重要研究?jī)?nèi)容，其中挖掘頻繁項(xiàng)集又是挖掘關(guān)聯(lián)規(guī)則中的關(guān)鍵問(wèn)題之一。 關(guān)聯(lián)規(guī)則挖掘算法中尋找頻繁項(xiàng)集的算法有很多，其中Apriori算法是一種最有影響的挖掘關(guān)聯(lián)規(guī)則頻繁項(xiàng)集的算法，許多學(xué)者也提出了許多改進(jìn)算法。以前的許多挖掘頻繁項(xiàng)集

3、的算法是先生成候選項(xiàng)集，再進(jìn)行檢驗(yàn)，然而候選項(xiàng)集產(chǎn)生的代價(jià)是非常高的，尤其是存在大量長(zhǎng)模式的時(shí)候。本文主要在以下幾個(gè)方面對(duì)基于邏輯與運(yùn)算的關(guān)聯(lián)規(guī)則挖掘問(wèn)題進(jìn)行了研究。 第一是研究了頻繁項(xiàng)集支持矩陣的設(shè)計(jì)和構(gòu)造過(guò)程以及多種改進(jìn)算法，并分析了基于邏輯與運(yùn)算進(jìn)行頻繁項(xiàng)集挖掘的可行性和完整性，然后提出了基于邏輯與運(yùn)算的快速挖掘頻繁模式的挖掘算法FIMA(Frequent Itemset Mmmg Algorithm)。該算法不需要生成頻

4、繁候選項(xiàng)集，并且只需要掃描事務(wù)數(shù)據(jù)庫(kù)一次。利用矩陣存儲(chǔ)頻繁項(xiàng)集比利用圖存儲(chǔ)實(shí)現(xiàn)起來(lái)更容易，占用的存儲(chǔ)空間也小的多。試驗(yàn)結(jié)果表明該算法比同樣基于邏輯與運(yùn)算的DLG算法挖掘頻繁項(xiàng)集的效率更高。 第二是研究了挖掘有效且無(wú)冗余的關(guān)聯(lián)規(guī)則的問(wèn)題。傳統(tǒng)算法在生成關(guān)聯(lián)規(guī)則時(shí)，或者生成關(guān)聯(lián)規(guī)則的效率很低，或者生成的關(guān)聯(lián)規(guī)則之間存在著大量的冗余，或者挖掘出的關(guān)聯(lián)規(guī)則的支持度和置信度都很高，但卻是無(wú)趣的，甚至是虛假的規(guī)則，且不能產(chǎn)生帶有否定項(xiàng)的規(guī)則