頻繁項集挖掘算法的并行化研究.pdf

1、隨著社會信息化的深入，大量數(shù)據(jù)產(chǎn)生并積累，數(shù)據(jù)越來越呈現(xiàn)出數(shù)量巨大、結(jié)構(gòu)復雜、類型眾多、富有價值等特點。在數(shù)據(jù)中發(fā)現(xiàn)有用的知識，挖掘有價值的信息一直是傳統(tǒng)數(shù)據(jù)挖掘技術的主要工作。而頻繁項集挖掘則是其中非常重要一個部分。面對海量數(shù)據(jù)，常規(guī)的硬件架構(gòu)和軟件環(huán)境已經(jīng)難以滿足人們的要求。
　　針對這一問題，并行化技術越來越被重視和研究。傳統(tǒng)的頻繁項集挖掘算法中主要包括Apriori算法、Eclat算法和FP-growth算法。學術界也有許

2、多對于這三種經(jīng)典算法的改進研究。近年來，在大數(shù)據(jù)時代的環(huán)境下，如何將傳統(tǒng)頻繁項集算法并行化越來越成為研究熱點。
　　本文主要針對頻繁項集挖掘算法中的FP-growth算法的并行化問題進行研究。分別探討了兩種基于GPU并行的FP-growth改進算法。首先，本文對頻繁項集挖掘算法的并行化研究進行了探討，再對本文中用的重要并行化技術GPU硬件架構(gòu)和CUDA軟件編程環(huán)境做了簡單介紹。
　　然后，為適應CUDA GPU并行計算框架，

3、分析FP-growth算法挖掘頻繁項集的主要過程，對算法中的建樹和遞歸挖掘過程進行并行化改進。FPNR-growth算法將FP-tree的信息存儲到FP-array中，F(xiàn)PBR-growth算法將FP-tree映射為二叉基數(shù)樹BR-tree。而在FPBR-growth算法遞歸挖掘頻繁項集的過程中，嘗試采用TD-FP-growth算法思想，運用CUDA的動態(tài)并行技術優(yōu)化遞歸效率。在算法的并行化設計與實現(xiàn)過程中，利用GPU與CPU的協(xié)同工作