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

1、隨著數(shù)據(jù)庫技術的成熟和數(shù)據(jù)應用的普及，人類積累的數(shù)據(jù)量正在以指數(shù)速度增長。當數(shù)據(jù)量極度增長時，如果沒有有效的方法，由計算機及信息技術來提取有用信息和知識，人們也會感到面對信息海洋像大海撈針一樣束手無策。面對這一挑戰(zhàn)，數(shù)據(jù)挖掘技術應運而生。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，它是一類深層次的數(shù)據(jù)分析方法，被認為是解決“數(shù)據(jù)爆炸知識貧乏”的有效方法之一，最近幾年里已被數(shù)據(jù)庫界廣泛研究。經(jīng)過若干年

2、的研究和實踐，其經(jīng)濟價值已經(jīng)顯現(xiàn)出來，被廣泛應用于科學研究、金融投資、市場營銷、保險、醫(yī)療衛(wèi)生、產(chǎn)品制造業(yè)、通信網(wǎng)絡管理等行業(yè)。它包含關聯(lián)規(guī)則挖掘、預測、分類、聚類、演化分析等多種技術手段，其中關聯(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KDD(Knowledge Discovery in Databases，數(shù)據(jù)庫中的知識發(fā)現(xiàn))、數(shù)據(jù)挖掘(Data Mining)和關聯(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備。在對現(xiàn)有關聯(lián)規(guī)則文獻的研究基礎上，詳細的分析了關聯(lián)規(guī)則的基本概念和基本性質(zhì)，并且對關聯(lián)規(guī)則的典型頻繁集挖掘算法Apriori算法進行了歸納、分析和研究，為Apriori改進算法的提出和構造建立了理論上的必要性前提。
　　 本文的重點是Apriori算法的分析研究和改進設計。在研究經(jīng)典Apriori算法的基礎上，給出了一個新的算法，分別從減小事務數(shù)據(jù)庫與候選項目集中的項目規(guī)模和引入加

4、權支持度兩個方面對Apriori算法進行了優(yōu)化與改進：一方面，針對在Apriori算法下，要掃描的事務數(shù)據(jù)庫規(guī)模與Apriori算法生成的候選頻繁項目集個數(shù)過多這兩個瓶頸問題，新算法盡量縮減兩者的規(guī)模，使之盡可能高效的產(chǎn)生出頻繁項集；另一方面，針對數(shù)據(jù)庫中項目分布不均勻，出現(xiàn)概率相差較大，所挖掘出的關聯(lián)規(guī)則將可能涉及不到出現(xiàn)頻率較低的項目的問題，通過給它們賦以不同權值，即引入加權支持度，從而可以挖掘出Apriori挖掘不出但卻極具價值的