关联规则Apriori算法的研究与分析.docVIP

关联规则Apriori算法的研究与分析 　　摘要：该文首先介绍了Apriori算法的基本思想。举例说明Apriori算法的执行过程，并且对Apriori算法性能进行分析。 　　关键词：关联规则；Apriori；事务数据库 　　中图分类号：TP312文献标识码：A文章编号：1009-3044(2011)30-7455-02 　　The Analysis of Apriori Algorithm for Association Rules 　　PAN Yan-yan 　　(Fu Jian Chuanzheng Communication College, Fuzhou 350007, China) 　　Abstract: This paper introduces the basic idea of the Apriori algorithm. Illustrate the execution of Apriori algorithm and analyze the performance of Apriori algorithm. 　　Key words: association rule, Apriori , transaction database 　　1993年Agrawal[1]等人首先提出关联规则概念，关联规则挖掘便迅速受到数据挖掘领域专家的广泛关注。在迄今十几年中，关联规则挖掘技术得到了较为深入的发展。Apriori算法是关联规则挖掘经典算法。 　　1 Apriori算法 　　1994年9月，Agrawal等提出了Apriori算法。该算法是挖掘布尔关联规则频繁项目集的经典算法，关于关联规则挖掘算法的许多后续研究工作都是在该算法的基础上进行的。 　　该算法的基本思想是利用一个逐层搜索的迭代方法来完成频繁项目集的挖掘。该算法在第一趟扫描数据库时，对项集I中的每一个数据项计算其支持度，确定出满足最小支持度的频繁1-项目集L1。第k趟扫描，首先以k-1趟扫描得到的频繁k-1项目集Lk-1作为种子集，生成候选集Ck，然后扫描数据库，计算这些候选集的支持度，最后从候选集Ck中确定出满足最小支持度的频繁k-项目集Lk，并将Lk作为下一趟扫描的种子集，上述过程不断重复直至不在有新的频繁项目集产生为止。 　　Apriori算法详细描述如下[2]: 　　输入：事务数据库D，最小支持度阈值minsup 　　输出：D中的频繁项目集L 　　1) L1=search_frequent_l -itemset(D); 　　2) for(k=2；Lk-1≠Φ；k++) 　　3) { Ck=apriori_gen(Lk-1); 　　4)for each transactions t∈D 　　5) { Ct=subset(Ck，t); 　　6)for each candidates c∈Ct 　　7)c.count++;} 　　8) Lk={c∈Ck| c.count≥minsup}} 　　9) Answer=UkLk; 　　2 Apriori算法执行过程 　　假设给定一样本事务数据库D，如表1所示，最小支持度minsup=2，对其利用Apriori算法进行关联规则挖掘。 　　1) 第一次扫描，扫描数据库获得每个候选项的计数，从而获得频繁1-项集。如表2所示。 　　2) 根据频繁1-项目集L1自连接生成2-候选集C2，然后第二次扫描数据库D，计算各项集的支持度计数，如表3所示。从而得到频繁2-项目集L2，如表4所示。 　　3) L2进行自连接得到C3={{A,D,E}, 　　{C,D,E}}，然后第三次扫描数据库D，计算各项集的支持度计数，。最后得到频繁3-项目集L3={{A,D,E},{C,D,E}}，支持度分别为2。 　　4) L3进行自连接得到C4={{ A,C,D,E }}，由于{ A,C,D,E }的子集{A,C,D }不在L3中，因此删除{ A,C,D,E }后C4=Φ，得到L4=Φ，算法终止。 　　3 Apriori算法分析 　　基于频繁项目集Apriori算法的优点是算法思路简单，容易理解，通过递归，剪切生成频繁项目集。显然，Apriori算法存在下列性能问题[3]： 　　1) 多次扫描数据库，I/O负载重。Apriori算法需要在每进行一次迭代的时候扫描一次数据库。 　　2) 可能产生大量候选集。Apriori算法在迭代过程中要在内存中产生、处理和保存候选频繁项集。Apriori算法在处理小规模事务时，其效率还是挺高的。但是如果处理稍微大点的事务数据，这个数量有可能是非常巨大的。 　　3) 难以发现稀有的信息：使用Apriori算法，有设置最小支持度minsup，