數(shù)據(jù)挖掘中關(guān)聯(lián)規(guī)則算法的分析與優(yōu)化研究.pdf

1、隨著數(shù)據(jù)庫(kù)技術(shù)的成熟和數(shù)據(jù)應(yīng)用的普及，人類(lèi)積累的數(shù)據(jù)量正在以指數(shù)速度增長(zhǎng)。當(dāng)數(shù)據(jù)量極度增長(zhǎng)時(shí)，如果沒(méi)有有效的方法，由計(jì)算機(jī)及信息技術(shù)來(lái)提取有用信息和知識(shí)，人們也會(huì)感到面對(duì)信息海洋像大海撈針一樣束手無(wú)策。面對(duì)這一挑戰(zhàn)，數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)而生。數(shù)據(jù)挖掘(Data Mining，DM)就是從大量的數(shù)據(jù)中挖掘出人們感興趣的知識(shí)，它是一類(lèi)深層次的數(shù)據(jù)分析方法，被認(rèn)為是解決“數(shù)據(jù)爆炸知識(shí)貧乏”的有效方法之一，最近幾年里已被數(shù)據(jù)庫(kù)界廣泛研究。經(jīng)過(guò)若干年

2、的研究和實(shí)踐，其經(jīng)濟(jì)價(jià)值已經(jīng)顯現(xiàn)出來(lái)，被廣泛應(yīng)用于科學(xué)研究、金融投資、市場(chǎng)營(yíng)銷(xiāo)、保險(xiǎn)、醫(yī)療衛(wèi)生、產(chǎn)品制造業(yè)、通信網(wǎng)絡(luò)管理等行業(yè)。它包含關(guān)聯(lián)規(guī)則挖掘、預(yù)測(cè)、分類(lèi)、聚類(lèi)、演化分析等多種技術(shù)手段，其中關(guān)聯(lián)規(guī)則挖掘是一種主要的也是用途最廣的數(shù)據(jù)挖掘方法。
　　 本文對(duì)KDD(Knowledge Discovery in Databases，數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn))、數(shù)據(jù)挖掘(Data Mining)和關(guān)聯(lián)規(guī)則(Association Rul

3、es)等概念作了闡述，為深入討論作了充分的準(zhǔn)備。在對(duì)現(xiàn)有關(guān)聯(lián)規(guī)則文獻(xiàn)的研究基礎(chǔ)上，詳細(xì)的分析了關(guān)聯(lián)規(guī)則的基本概念和基本性質(zhì)，并且對(duì)關(guān)聯(lián)規(guī)則的典型頻繁集挖掘算法Apriori算法進(jìn)行了歸納、分析和研究，為Apriori改進(jìn)算法的提出和構(gòu)造建立了理論上的必要性前提。
　　 本文的重點(diǎn)是Apriori算法的分析研究和改進(jìn)設(shè)計(jì)。在研究經(jīng)典Apriori算法的基礎(chǔ)上，給出了一個(gè)新的算法，分別從減小事務(wù)數(shù)據(jù)庫(kù)與候選項(xiàng)目集中的項(xiàng)目規(guī)模和引入加

4、權(quán)支持度兩個(gè)方面對(duì)Apriori算法進(jìn)行了優(yōu)化與改進(jìn)：一方面，針對(duì)在A(yíng)priori算法下，要掃描的事務(wù)數(shù)據(jù)庫(kù)規(guī)模與Apriori算法生成的候選頻繁項(xiàng)目集個(gè)數(shù)過(guò)多這兩個(gè)瓶頸問(wèn)題，新算法盡量縮減兩者的規(guī)模，使之盡可能高效的產(chǎn)生出頻繁項(xiàng)集；另一方面，針對(duì)數(shù)據(jù)庫(kù)中項(xiàng)目分布不均勻，出現(xiàn)概率相差較大，所挖掘出的關(guān)聯(lián)規(guī)則將可能涉及不到出現(xiàn)頻率較低的項(xiàng)目的問(wèn)題，通過(guò)給它們賦以不同權(quán)值，即引入加權(quán)支持度，從而可以挖掘出Apriori挖掘不出但卻極具價(jià)值的