一个改进的联系规则挖掘算法.pdfVIP

一个改进的关联规则挖掘算法 一个改进的关联规则挖掘算法 李红’,2 黄晓杰3 胡学钢’ I合肥工业大学，合肥 230009 2合肥学院，合肥 230009 3合肥市环境保护局，合肥 230009 摘 要 改进频繁项集算法的效率是提高关联规则挖掘性能的重要环节，本文提出了基于包含频繁1 一项集的事务集的关联规则挖掘算法，并通过实例说明了算法的有效性，且与Apriori这一经典算法 作了比较. 关健词 数据挖掘 关联规则 1 引 言 数据挖掘是为解决当前信息量急剧增长而出现的技术，现已成为决策支持系统的重要组成部分。由 RakeshAgrawal等提出的关联规则挖掘则是数据挖掘的重要问题之一，它能发现大量数据中项集之间有趣的 关联。其典型的问题是:给定一个事务集合，每个事务由一组项目组成。关联规则是形如A- B[support,confidence]的形式，其中，A,B是项目集，supprt=P(AUB)是支持度，confidence=P(BIA)是置 信度。 关联规则挖掘通常是挖掘同时满足最小支持度 (minsup)和最小置信度 (minweconf)的强规则，可以 分成两个子任务:① 求出事务集中满足最小支持度的所有频繁项集。② 利用频繁项集生成满足最小置信 度的所有关联规则。 其中第一个最为关键。在现己提出的多种关联规则算法中，有传统的Apriori算法.”，及其它发现频繁 项集的算法’2-4I。这类算法基本上是首先扫描数据库求频繁l一项集，在此基础上再扫描数据库求频繁2一 项集，依此类推，直到求出最大频繁项集。但由于数据库的规模通常较大，每次重新扫描数据库非常耗时， 且易产生大量无用候选项集，因此，许多学者提出了一些改进算法，其中有不产生候选项集的FP一树增长 算法6‘，以及对候选项目集进行动态计算的DIC算法”‘。然而FP一树增长算法最大的缺陷在于构造FP一树 时占用大量内存，算法的空间性能较差，而DIC算法中数据块中的项目集分布不均、数据块大小的选择都 对算法的效率产生较大的影响。因此，如何方便、快捷地找出最大频繁项集是关联规则挖掘的重要问题。 本文提出一个只扫描数据库一次且不产生大量候选项集而能有效产生最大频繁项集的算法。第二节介绍 产生频繁项集的算法:第三节的实例证明算法的有效性。 2 关联规则挖掘的改进算法 本算法遵循Apriori性质，根据事务中所包含的频繁项目集来划分数据块 (事务集);在包含频繁k一项 集的事务集中根据条件产生频繁k+l一项集，无需产生候选项目集。求解步骤为:第一步产生频繁I一项集; 第二步产生包含频繁1一项集的事务集，并在这些事务集中搜寻包含频繁2一项集的事务，并由此产生包含 频繁2一项集的事务集……如此反复，直至生成包含较大频繁项集的事务集:第三步输出所有最大频繁项 集。其中，第二步是本算法的关键所在。 2.1产生频繁1一项集 扫描数据库，统计各项目的支持度，并从大到小排序，如果支持度相同，则按字典顺序。若设最小支 持度minessup=2，则对图1的样例数据库得到的频萦1一项集Ll如图2. 计算机技术与应用进展 2·004 2.2 搜寻包含最大频繁项集的事务集 从Ll中支持度最大的频繁项目出发，在数据库中搜寻包含频繁k一项集的事务 D T I o o l AneBmEret 0 0 2 集。首先选择Ll中支持度较大的频繁项目L[I]，将包含L[i]的事务加入相应的集合 0 0 3 C[i]