關聯(lián)規(guī)則中的Apriori算法的研究與改進.pdf

1、近十幾年來,人們利用信息技術生產和搜集數據的能力大幅度提高,數據資料的規(guī)模急速膨脹。于是,人們希望有新一代的技術和工具能夠智能地自動地幫助人們分析已經消耗大量財力和物力所收集與整理的海量數據,以發(fā)現(xiàn)有用的知識,達到為決策服務的目的。因此,面對“人們被數據淹沒,人們卻饑餓于知識”的挑戰(zhàn),數據挖掘技術應運而生,并得以蓬勃發(fā)展。數據挖掘是當今人工智能和數據庫研究方面最富活力的領域。數據挖掘是指從大量的數據中發(fā)現(xiàn)潛在的、有用的知識的過程。關聯(lián)規(guī)

2、則挖掘是數據挖掘的主要研究內容。而頻繁項目集的發(fā)現(xiàn)是關聯(lián)規(guī)則挖掘的核心問題。
　　本文詳細描述了數據挖掘、關聯(lián)規(guī)則的基本理論以及關聯(lián)規(guī)則挖掘的經典算法Apriori算法,并對經典Apriori算法進行了分析發(fā)現(xiàn)其存在著規(guī)則冗余度大、效率不高和不能挖掘定量規(guī)則等缺陷。本文針對此算法的算法瓶頸問題提出了兩種改進方法,如下:
　　1.針對經典Apriori算法運行效率瓶頸問題,結合位集合占用內存空間少、邏輯運算快的特點,本文提出一

3、種基于項集位邏輯運算的改進算法:B_Apriori算法。該算法通過一次數據庫掃描,構建事務集位集合;采用項集位邏輯“與”運算和位統(tǒng)計操作確定頻繁項集;改進連接和剪枝策略,采用項集位的邏輯“或”運算,統(tǒng)計運算結果重復出現(xiàn)次數,生成候選項集。實驗證明,通過與經典Apriori算法的對比可以發(fā)現(xiàn),B_Apriori算法運行時間明顯減少。該算法避免了數據庫的重復掃描和繁瑣的連接減枝操作,進一步提高了Apriori算法的運行效率。
　　2.

4、針對經典Apriori算法在統(tǒng)計事務庫中的項時要反復掃描事務庫,算法開銷很大的問題,本章結合數學中矩陣以及向量內積的概念上提出了一種新的Apriori改進算法:Apriori_Matrix算法。Apriori_Matrix算法從三個方面對原有的算法進行了改進,減少了產生的候選頻繁項集Ck中項集的數據,也減少了剪枝過程中的運算次數,在統(tǒng)計支持度階段減少了需要掃描的數據庫中的事務數。而且計算機進行向量運算和位運算速度更快,程序也會更容易實現(xiàn)