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)庫中項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。在深入研究各個模型的優(yōu)點的基礎(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)頻繁項集。其主要思想是采用矩陣作為數(shù)據(jù)庫數(shù)據(jù)存儲

2、運算結(jié)構(gòu)，運用空間換時間的思路減少數(shù)據(jù)庫訪問頻率，利用聚類劃分的方法分解數(shù)據(jù)庫，進行分布挖掘，降低內(nèi)存占用空間，通過局部頻繁項集生成全局頻繁項集，引入事務權(quán)重和數(shù)據(jù)庫權(quán)重的概念優(yōu)化權(quán)值計算方法，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)庫的頻次，提高了候選項集剪枝效率，整體上提升了算法的性能和準確度。
　　同時，為了避免由單支持度導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)和項集等價劃分的思想，設(shè)計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），該算法中不同項集對應給定的不同的最小支持度，通過對項目設(shè)置不同的支持度閾值，實現(xiàn)在不同重要程度的數(shù)據(jù)項中挖掘出數(shù)據(jù)量小，但用

4、戶更感興趣、更有價值的關(guān)聯(lián)規(guī)則。
　　仿真實驗中，通過測試在不同事務數(shù)、不同支持度、不同項目數(shù)以及不同項目稠密度的情況下算法的運行時間，驗證了改進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，具有更大的優(yōu)勢，算法復雜度優(yōu)于基本加權(quán)關(guān)聯(lián)規(guī)則算法;而進一步的對于改進后的NAWARM_MMS算法，測試在不同閾值整體水平和不同事務數(shù)的情況下運行時間，實驗表明，由于垂直數(shù)據(jù)存儲結(jié)構(gòu)、矩陣壓縮方法以及項集等價劃分策略的引入，使