基于关系数据库Apriori改进算法.docVIP

基于关系数据库Apriori改进算法 　　【摘要】本文根据Apriori算法的不足，提出了一种针对关系数据库关联规则挖掘的Apriori改进算法，可以提高数据挖掘的效率。 　　【关键词】数据挖掘；关联规则；Apriori算法 　　1.引言 　　关联规则挖掘是数据挖掘中最活跃的研究方法之一。最早是由Agrawal等人于1993年提出了挖掘交易数据库中项目集之间的关联规则问题。Agrawal等人于1994年提出了关联规则挖掘的经典算法―Apriori算法。虽然Apriori算法自身已经进行了一定的优化，但是在实际的应用中，还是存在不令人满意的地方：多次扫描事物数据库，需要很大的I/0负载；可能产生庞大的候选集。 　　挖掘关联规则时，考虑不同字段的种类是必要的。对于事务数据库，字段对应的项目是有限可数的离散问题。但是，一般的关系型数据库，其中包含了大量的分类属性和数值属性。对于分类属性和数值属性，通过进行离散化处理，把关系数据库转换成事务数据库，然后再利用目前讨论比较多的和相对成熟的布尔关联规则及其理论进行挖掘。 　　（1）对于分类属性，根据它的分类值的个数n映射到n个字符串集，记为{X1，X2，…，Xn}； 　　（2）对于数值型属性，使用某种离散化技术对该属性离散化，离散化的数值属性具有区间值，可以像分类属性一样（每个区间看作一类）映射到m个字符串集，记为{Y1，Y2，…，Ym}。 　　把经过处理后的字符串看成项目，关系数据库就映射成了仅包含项目的事务数据库。 　　2.基于关系数据库的Apriori改进算法 　　（1）关系数据库中关联规则具有多维性，并且是维间关联规则，维内不可能出现关联。在对候选项目集进行“剪枝”时，只要判断出是维内关联的项目（数据处理后的字符串第一个字母相同就代表它属于同一属性值），直接将该项目删除。 　　（2）根据推论：如果某一事务不包含Ck中的任何项目集，那么删除该事务对Lj（j =k）的计算没有影响。在连接初步生成Ck时，将不包含Ck中的任何项目集的事务删除。 　　改进算法描述： 　　算法① 　　输入：事物数据库D，最小支持度minsupport 　　输出：频繁项目集L 　　L1={large 1itemsets（D）}；/*生成支持度不小于minsupport的1频繁项目集*/ 　　For（k=2；Lk1≠？；k++） 　　{Ck= apriori_gen（Lk1）； 　　C=0；/*用来判断t是否包含任何候选项*/ 　　For all t∈D 　　{Ct=subset（Ck，t）；/*产生事务t中包含的候选集元素Ct*/ 　　For all c∈Ct /* Ct是所有t包含的候选集元素*/ 　　{if（ti包含了Ck中的任何项） 　　{c.count=c.count+1；/*计数*/ 　　C=C+1；} 　　} 　　if（C==0） 　　{delete t from D；/*删除D中不包含任何候选项集的记录*/ 　　} 　　} 　　Lk={c∈Ck | c.count ≥minsupport} 　　} 　　Return L=∪Lk； 　　算法② 　　apriori_gen（Lk1）函数 　　输入：（k1）频繁项目集Lk1 　　输出：k候选项目集Ck 　　For each itemset ll∈Lk1 do 　　For each itemset l2∈Lk1 do 　　If ll.item1= l2.iteml，ll.item2= l2.item2…ll.itemk2= l2.itemk2，ll.itemk1 l2.itemk1 then 　　{ 　　C= ll∞l2；/*连接*/ 　　if has_same_attribute（c）then 　　delete c/*删除维内关联的候选组合*/ 　　else add c to Ck； 　　if has_infrequent_subset（c，Lk1）then 　　delete c；/*删除含有非频繁项目子集的候选组合*/ 　　else add c to Ck；} 　　return Ck； 　　Procedure has_same_attribute（c） 　　for all item l of c 　　if left（ll，l）=left（l2，l）（ll，l2∈l）then 　　return true； 　　return false； 　　Procedure has_infrequent_subset（c，Lk1） 　　for all（k1）subset s of c 　　if s Lk1 then 　　return true；