关联规则挖掘算法综述.pdfVIP

摘 要 本文介绍了关联规则的基本概念和分类方法，列举了一些关联规则挖掘算法并简要分 析了典型算法，展望了关联规则挖掘的未来研究方向。 1 引言 关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。它在数据挖掘中是一个重要 的课题，最近几年已被业界所广泛研究。 关联规则挖掘的一个典型例子是购物篮分析。关联规则研究有助于发现交易数据库中不同商 品 （项）之间的联系，找出顾客购买行为模式，如购买了某一商品对购买其他商品的影响。 分析结果可以应用于商品货架布局、货存安排以及根据购买模式对用户进行分类。 Agrawal 等于1993 年首先提出了挖掘顾客交易数据库中项集间的关联规则问题[AIS93b]，以 后诸多的研究人员对关联规则的挖掘问题进行了大量的研究。他们的工作包括对原有的算法 进行优化，如引入随机采样、并行的思想等，以提高算法挖掘规则的效率；对关联规则的应 用进行推广。 最近也有独立于Agrawal 的频集方法的工作[HPY00]，以避免频集方法的一些缺陷，探索挖 掘关联规则的新方法。也有一些工作[KPR98]注重于对挖掘到的模式的价值进行评估，他们 提出的模型建议了一些值得考虑的研究方向。 2 基本概念 设 I={i1,i2,..,im}是项集，其中ik(k=1,2,…,m)可以是购物篮中的物品，也可以是保险公司的 顾客。设任务相关的数据D 是事务集，其中每个事务T 是项集，使得TIacute;I 。设A 是 一个项集，且AIacute;T 。 关联规则是如下形式的逻辑蕴涵：A THORN; B ，AIgrave;I, AIgrave;I ，且A ∩B=F 。 关联规则具有如下两个重要的属性： 支持度: P(A ∪B)，即A 和B 这两个项集在事务集D 中同时出现的概率。 置信度: P(B ｜A) ，即在出现项集A 的事务集D 中，项集B 也同时出现的概率。 同时满足最小支持度阈值和最小置信度阈值的规则称为强规则。给定一个事务集D ，挖掘关 联规则问题就是产生支持度和可信度分别大于用户给定的最小支持度和最小可信度的关联 规则，也就是产生强规则的问题。 3 关联规则种类 1) 基于规则中处理的变量的类别，关联规则可以分为布尔型和数值型。 布尔型关联规则处理的值都是离散的、种类化的，它显示了这些变量之间的关系。 数值型关联规则可以和多维关联或多层关联规则结合起来，对数值型字段进行处理，将其进 行动态的分割，或者直接对原始的数据进行处理，当然数值型关联规则中也可以包含种类变 量。 2) 基于规则中数据的抽象层次，可以分为单层关联规则和多层关联规则。 在单层关联规则中，所有的变量都没有考虑到现实的数据是具有多个不同的层次的。 在多层关联规则中，对数据的多层性已经进行了充分的考虑。 3) 基于规则中涉及到的数据的维数，关联规则可以分为单维的和多维的。 在单维关联规则中，我们只涉及到数据的一个维，如用户购买的物品 在多维关联规则中，要处理的数据将会涉及多个维。 4 算法综述 4.1 经典的频集算法 Agrawal 等于 1994 年提出了一个挖掘顾客交易数据库中项集间的关联规则的重要方法 [AS94a, AS94b]，其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、 单层、布尔关联规则。 所有支持度大于最小支持度的项集称为频繁项集，简称频集。 4.1.1 算法的基本思想 首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集 产生强关联规则，这些规则必须满足最小支持度和最小可信度。 挖掘关联规则的总体性能由第一步决定，第二步相对容易实现。 4.1.2 Apriori 核心算法分析 为了生成所有频集，使用了递推的方法。其核心思想简要描述如下： (1) L1 = {large 1-itemsets}; (2) for (k=2; Lk-1sup1;F; k++) do begin (3) Ck=apriori-gen(Lk-1); //新的候选集 (4) for all transactions tIcirc;D do begin (5) Ct=subset(Ck,t); //事务t 中包含的候选集 (6) for all candidates cIcirc; Ct do (7) c.count++; (8) end (9) Lk={cIcirc; Ck |c.countsup3;minsup} (10) end (11) Answer= ∪kLk; 首先产生频繁 1-项集L1