关联规则挖掘总结.docVIP

关联规则挖掘总结 　　摘 要：近年来国内外学者对关联规则进行了大量的研究。为了更好地了解关联规则的挖掘技术，对研究现状有更深入的了解，首先本文对数据挖掘技术进行了介绍，接着介绍了关联数据挖掘的基本原理，最后对经典的挖掘算法进行分类介绍。 　　关键词：数据挖掘；关联规则；算法；综述 　　1.引言 　　数据挖掘是从海量的数据里寻找有价值的信息和数据。数据挖掘中常用的算法[1]有：关联规则分析法（解决事件之间的关联问题）、决策树分类法（对数据和信息进行归纳和分类）、遗传算法（基于生物进化论及分子遗传学理论提出的）、神经网络算法（模拟人的神经元功能）等。 　　数据挖掘最早使用的方法是关联分析，主要应用于零售业。其中最有名的是售货篮分析，帮助售货商制定销售策略。随着信息时代的到来，数据挖掘在金融[2]、医疗[3]、通信[4]等方面得到了广泛的应用。 　　2.关联规则基本原理 　　设项的集合I = { I1 ，I2 ，...，Im }，数据库事务的集合为D，我们用|D|表示事务数据库所有事务的个数，其中用T表示每个事务，使得T I。我们用TID作为每个事务的唯一标识符。用X表示一个项集，满足X T，那么交易T包含X。根据上述相关描述，给出关联规则的相关定义。 　　2.1项集支持度 　　用X表示数据库事务D中的项集，项集X的支持度表示项集X在D中事务数所占的比例，用概率P（X）表示，那么 　　Support（X）=P（X）=COUNT（X）/|D| （1） 　　2.2关联规则置信度 　　X Y关联规则的置信度是数据库事务D中包含X Y的事务数与包含X的事务数之比，表示方法如下： 　　confidence（X Y）= support（X Y）/support（X） = P（Y|X） （2） 　　3.关联规则算法 　　3.1经典的Apriori挖掘算法 　　大多数关联规则的算法是将关联规则挖掘任务分为两个子任务完成。一是频繁项集的产生，频繁项集的目的是找到大于等于给定的最小支持度阈值的所有项集，这些项集我们称之为频繁项集。二是规则的产生，即从频繁项集中找到置信度比较高的规则，我们称之为强规则。Apriori挖掘算法是众多挖掘关联规则中比较经典的算法，它采用布尔关联规则，是一种宽度优先算法。 　　3.2Apriori算法优化 　　Apriori算法的思想是每产生一次候选集就需要扫描一次数据库，但是当数据库中的数据庞大，无法直接完全放于内存中，扫描过程中数据需要不断的换入换出，加重了I/O的负担。可见当数据信息大的时候，算法效率低下，同时也消耗的大量的内容。 　　3.2.1哈希表技术（散列项集到对应的桶中）： 　　Park等提出了一种基于散列的产生频繁项集的高效算法DHP算法。即将产生的所有的候选k-项集（k1）散列到哈希表结构对应的桶中并增加对应的桶计数， 利用哈希表技术可以有效减少候选k-项集（k1）所占用的空间，进而提高了Apriori算法的效率。 　　3.2.2 划分技术（为寻找候选项集划分数据）： 　　Savasere等提出了一个基于数据划分的算法，即将数据库中的记录划分成几个互不相交的块，各块可以高度并行执行，由最小支持度得到每块中对应的最小支持度。第一次扫描数据库，得到各块的频繁项集，即局部频繁项集。当算法进行数据库的第二次扫描时，需得到每个候选项集的支持数，进而得到全局频繁项集的值。 　　3.2.3事务压缩技术（即压缩未来迭代扫描的事务数据）： 　　该技术用于压缩迭代扫描数据库的大小，即将不包含任何k-项集的事务肯定不包含任何（k+l）-项集，这种事务在以后考虑时，可以加上标记或者删除项集，因为产生j项集（jk）时不再需要从数据库加上它们进行扫描，如此就可以减小需要扫描的数据库的规模，从而在一定程度上提高算法的效率。 　　3.2.4 连续关联规则算法 　　C. Hidber提出了一种新型的名为CARMA（连续关联规则的算法挖掘算法）算法，该算法用来在线计算大项集。随着每个项集的支持区间的减少不断产生大项集。他已证明：当相应的支持区间的规模快速减少时，CARMA的项集数迅速接近所有大项集的超集。CARMA的内存效率比Apriori是一个数量级的提高。当支持度阈值比较低时，Apriori和DIC 落后CARMA，此外，CARMA的内存使用效率是两者的六十倍以上。 　　3.3基于频繁模式树的算法FP-growth 　　由Zaki提出的Eclat算法被认为是产生频繁项集的深度优先方式的原型。在这以后不同深度优先算法被提出，其中由韩家炜等提出的FP-growth算法是最著名和最广泛使用的。韩家炜等人提出了基于频繁模式树（FP-Tree）的算法。该算法首先两次扫描事务数据库，得到频繁项目