基于項縮減的關聯(lián)規(guī)則挖掘算法研究.pdf

1、近年來，隨著信息技術的不斷發(fā)展，人們積累的信息量不斷增加，傳統(tǒng)的統(tǒng)計方法已經不能滿足人們從大規(guī)模數(shù)據(jù)存儲中獲取知識的迫切需求。作為數(shù)據(jù)挖掘領域中的一個非常重要的研究課題，關聯(lián)規(guī)則反映了一個事物與其他事物之間的相互依賴性或者相關性，它既可以檢驗行業(yè)內長期形成的知識模式，也能夠發(fā)現(xiàn)隱藏的新規(guī)律。因此如何有效地挖掘關聯(lián)規(guī)則具有重要的理論價值和現(xiàn)實意義。
　　 本文重點針對數(shù)據(jù)本身對關聯(lián)規(guī)則挖掘的影響進行了研究，并取得了一定的成果。

2、r>　　 首先針對Apriori算法的不足，提出了改進方案。Apriori算法是關聯(lián)規(guī)則挖掘中的經典算法，當最小支持度閾值較小時，Apriori算法將產生大量候選項集，對這些候選項集進行支持度計數(shù)將耗費大量時間。本文針對這個問題，提出項事務和項縮減操作的概念，并在此基礎上提出一種基于項縮減的Apriori算法-Aprion-IR。該算法通過對事務進行完全項縮減操作，能夠有效減少候選項集個數(shù)并減少候選項集支持度計數(shù)時間，從而提高了Apr

3、iori算法的效率。本文不僅從理論上分析了Apriori-IR算法能夠減少連接和剪枝次數(shù)降低支持度計數(shù)時間，還通過在不同濃密性和模式長度的數(shù)據(jù)集上進行實驗，表明了Apriori-IR算法的有效性。
　　 為了進一步研究項縮減操作對關聯(lián)規(guī)則挖掘算法的影響，本文對經過完全項縮減操作處理的數(shù)據(jù)利用FP-growth算法進行挖掘，提出了FP-GIR算法。同樣本文不但從理論上分析了FP-GIR算法能夠降低FP-growth算法的空間消耗，