基于有向項集圖的關聯(lián)規(guī)則挖掘算法研究與應用.pdf

1、數(shù)據(jù)挖掘(Data Mining,簡稱DM)也叫數(shù)據(jù)庫中的知識發(fā)現(xiàn)(Knowledge Discovery in Databases,簡稱KDD),是指從大型的數(shù)據(jù)庫中發(fā)現(xiàn)潛在的、新穎的、有價值的、可用的、能被用戶理解的模式和信息的過程.關聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘的一個重要的研究領域,主要是發(fā)現(xiàn)數(shù)據(jù)庫中屬性之間的關聯(lián)關系.該文在廣泛查閱國內(nèi)外文獻的基礎上,針對關聯(lián)規(guī)則挖掘算法的若干問題進行了深入地研究和分析,論文取得的主要成果和創(chuàng)新點如下:

2、1、針對目前關聯(lián)規(guī)則挖掘研究缺乏理論基礎的問題,將數(shù)學中的格論和形式概念分析等理論引入關聯(lián)規(guī)則挖掘研究中,有效地描述了關聯(lián)規(guī)則挖掘的問題空間,并提出了基于形式概念分析理論的關聯(lián)規(guī)則挖掘的一系列定義和性質(zhì).2、針對傳統(tǒng)的頻繁項集挖掘方法中存在的生成大量候選集、多次遍歷數(shù)據(jù)庫計算項集支持度等問題,該文以圖論為基礎提出了基于有向項集圖的頻繁項集挖掘算法.算法將原始數(shù)據(jù)庫中的信息保存在有向項集圖中,將數(shù)據(jù)庫中的頻繁項集發(fā)現(xiàn)問題轉(zhuǎn)化為有向項集圖中

3、的搜索問題并保證了問題解的完整性.3、該文針對數(shù)據(jù)庫中的最大頻繁項集挖掘問題進行了分析和研究,該文提出了基于有向項集圖的最大頻繁項集挖掘算法.算法利用深度優(yōu)先的搜索方法,通過計算候選項集的頻繁擴展集可以有效地約減問題的搜索空間,提高了算法的效率.4、該文針對數(shù)據(jù)庫中的頻繁閉項集挖掘問題進行了分析和研究,提出了基于有向項集圖的頻繁閉項集挖掘算法.算法利用深度優(yōu)先的搜索方法,利用頻繁閉種子集的性質(zhì)對搜索空間進行剪枝,可以有效地生成所有的頻繁