增量更新關聯規(guī)則挖掘方法的研究.pdf

1、當今社會是一個信息社會，信息瞬息萬變。大量信息在給人們帶來方便的同時也帶來了一大堆問題：第一是信息過量，難以消化；第二是信息真假難以辨認；第三是信息安全難以保證；第四是信息形式不一致，難以統(tǒng)一處理。如何才能不被信息淹沒，而是從中發(fā)現有用的知識，提高信息利用率?面對這一挑戰(zhàn)，數據挖掘技術應運而生。關聯規(guī)則是數據挖掘中一個很重要的分支，它能發(fā)現事物之間的關系，從而得到數據內部潛在有價值的信息。隨著時間的推移，數據庫總是在不斷的變化，于是如何

2、高效地從更新后的數據庫中對已經推導出的關聯規(guī)則進行更新成為人們探究的熱點。
　　 已有的成熟的增量更新關聯規(guī)則挖掘方法大致可以分為兩類：一類是基于Apriori算法，如FUP1、FUP2算法等，另一類是基于FP樹算法，如FIUA2算法等。這兩類算法都有自身的缺點，前者的缺點是需要多次掃描數據庫，很耗時間，后者的缺點是需要多次生成條件FP樹，很耗空間。本文在總結前人算法的優(yōu)缺點的基礎上，給出了基于圖的關聯規(guī)則增量更新挖掘算法，算法

3、充分考慮了挖掘需要，只需要掃描一次數據庫，并且減少了冗余候選集的生成，在提高空間使用率的同時又提高了挖掘效率。本文所作的工作有：
　　 首先，對已有的經典算法及其改進算法進行了深入的研究，包括Apriori算法、FP樹算法、FUP算法、DLG算法等，分析了這些算法的優(yōu)缺點。對一些新穎的算法技術進行了探討和學習，如數值型數據集的處理問題、模糊約束概念等。
　　 其次，給出了圖的四叉鏈表存儲結構，分析了該結構引入的優(yōu)點，并且

4、基于該結構給出了完全頻繁項集挖掘算法GIU1和最大頻繁項集挖掘算法GIU2，給出了算法描述和實例演示。
　　 再次，鑒于圖的優(yōu)點，將圖的結構拓展到模糊時態(tài)的數據集增量更新挖掘應用中，給出了模糊時態(tài)增量更新完全頻繁項集的挖掘算法FuzzyGIU，分析了圖在模糊時態(tài)環(huán)境下使用的合理性和有效性，并對算法進行了描述和實例演示。
　　 最后，對這些算法進行了仿真實驗，并與相關的已有算法進行了性能對比。結果表明了本文給出的基于圖存儲