基于矩陣的關(guān)聯(lián)規(guī)則挖掘算法研究.pdf

1、數(shù)據(jù)挖掘是致力于數(shù)據(jù)分析和理解，揭示數(shù)據(jù)內(nèi)部蘊(yùn)涵知識(shí)的技術(shù)，成為未來(lái)信息技術(shù)應(yīng)用的重要目標(biāo)之一。關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘的一個(gè)重要研究分支，主要用于描述數(shù)據(jù)庫(kù)中數(shù)據(jù)項(xiàng)之間的潛在聯(lián)系，有著極其重要的應(yīng)用價(jià)值。 自Rakesh Agrawal等人1993年首次提出了關(guān)聯(lián)規(guī)則挖掘這個(gè)研究課題以來(lái)，研究人員已經(jīng)提出了多種挖掘關(guān)聯(lián)規(guī)則的算法：Apriori算法、FP-growth算法，以及基于這兩種算法的多種改進(jìn)方法，但這些算法都是把數(shù)據(jù)庫(kù)中各

2、個(gè)項(xiàng)目按平等一致的方式加以處理的。而在實(shí)際應(yīng)用中，各個(gè)項(xiàng)目在使用者心目中的重要程度往往不同，一個(gè)自然的想法就是為每個(gè)項(xiàng)目賦予不同的權(quán)值，以區(qū)分它們的重要程度。鑒于此，本文對(duì)加權(quán)關(guān)聯(lián)規(guī)則挖掘算法進(jìn)行了研究。另外，在關(guān)聯(lián)規(guī)則的實(shí)際挖掘過程中，用戶往往需要對(duì)最小支持度和最小置信度這兩個(gè)閾值進(jìn)行不斷調(diào)整來(lái)尋找真正感興趣的規(guī)則；而且數(shù)據(jù)庫(kù)中的數(shù)據(jù)是不斷進(jìn)行添加、修改和刪除的，這是一個(gè)動(dòng)態(tài)的交互過程。因此，關(guān)聯(lián)規(guī)則的更新問題也很值得研究。

3、本文首先概述了數(shù)據(jù)挖掘的任務(wù)、方法、應(yīng)用等現(xiàn)狀，介紹了關(guān)聯(lián)規(guī)則分析的基本概念、分類及一些常見的算法思想，并著重討論了一些經(jīng)典的關(guān)聯(lián)規(guī)則和加權(quán)關(guān)聯(lián)規(guī)則挖掘算法，分析了算法存在的問題。在此基礎(chǔ)上，提出了新的加權(quán)關(guān)聯(lián)規(guī)則模型，并給出了挖掘加權(quán)頻繁項(xiàng)集的矩陣位串算法(Matrix Bit string Algorithm，簡(jiǎn)記為AMB)。該算法創(chuàng)新之處在于引入矩陣思想，通過一次掃描交易數(shù)據(jù)庫(kù)將其轉(zhuǎn)化為0-1矩陣，并在判斷某個(gè)項(xiàng)集是否加權(quán)頻繁項(xiàng)集