基于邏輯與運算的關聯(lián)規(guī)則挖掘算法.pdf

1、數(shù)據(jù)挖掘技術是解決數(shù)據(jù)豐富而知識貧乏的有效途徑，當屬信息科學領域的前沿研究課題之一，有關的研究和應用極大提高了決策支持的能力，它已被公認為是數(shù)據(jù)庫研究中一個極富應用前景的領域。數(shù)據(jù)挖掘由一些大型零售機構所面臨的“決策支持”問題(decision support problem)所激發(fā)。應用條形碼技術采集的大量銷售數(shù)據(jù)成為挖掘的基礎。通過對這些數(shù)據(jù)進行數(shù)據(jù)挖掘我們可以找到對于商業(yè)銷售及生產(chǎn)極為有效的一些信息(這些信息通過具體的模式得到

2、反映)，從而可以提高銷售和生產(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、過程以及發(fā)現(xiàn)模式的分類。在眾多的數(shù)據(jù)挖掘算法中，挖掘關聯(lián)規(guī)則是數(shù)據(jù)挖掘領域中的重要研究內容，其中挖掘頻繁項集又是挖掘關聯(lián)規(guī)則中的關鍵問題之一。 關聯(lián)規(guī)則挖掘算法中尋找頻繁項集的算法有很多，其中Apriori算法是一種最有影響的挖掘關聯(lián)規(guī)則頻繁項集的算法，許多學者也提出了許多改進算法。以前的許多挖掘頻繁項集

3、的算法是先生成候選項集，再進行檢驗，然而候選項集產(chǎn)生的代價是非常高的，尤其是存在大量長模式的時候。本文主要在以下幾個方面對基于邏輯與運算的關聯(lián)規(guī)則挖掘問題進行了研究。 第一是研究了頻繁項集支持矩陣的設計和構造過程以及多種改進算法，并分析了基于邏輯與運算進行頻繁項集挖掘的可行性和完整性，然后提出了基于邏輯與運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、繁候選項集，并且只需要掃描事務數(shù)據(jù)庫一次。利用矩陣存儲頻繁項集比利用圖存儲實現(xiàn)起來更容易，占用的存儲空間也小的多。試驗結果表明該算法比同樣基于邏輯與運算的DLG算法挖掘頻繁項集的效率更高。 第二是研究了挖掘有效且無冗余的關聯(lián)規(guī)則的問題。傳統(tǒng)算法在生成關聯(lián)規(guī)則時，或者生成關聯(lián)規(guī)則的效率很低，或者生成的關聯(lián)規(guī)則之間存在著大量的冗余，或者挖掘出的關聯(lián)規(guī)則的支持度和置信度都很高，但卻是無趣的，甚至是虛假的規(guī)則，且不能產(chǎn)生帶有否定項的規(guī)則