关联规则数据挖掘技术应用论文.pdf

浅析关联规则数据挖掘技术及其应用

摘要：关联规则分析是数据挖掘的一个非常重要的研究分支，

其主要的研究目的是从大型数据集中发现隐藏的、有趣的、属性间

存在的规律.本文简要介绍了关联规则数据挖掘的相关理论和概

念、apriori算法，最后介绍了关联规则数据挖掘的应用情况。

关键词：关联规则数据挖掘apriori算法应用

关联规则的发现是数据挖掘中最成功和最重要的一项任务，它

的目标是发现数据集中所有的频繁模式；目前所进行的大部分研究

工作集中在开发有效的算法上，而对关联规则的理论基础工作的研

究却很少。关联规则可用于发现交易数据库中不同商品项之间的联

系，这些规则找出顾客行为模式，如购买了某一商品对购买其他商

品的影响；然而，这样的规则可以应用于商品货架设计，存货安排

以及根据购买模式对用户进行分类。

一、关联规则挖掘原理

1.关联规则挖掘概述

数据挖掘（datamining）就是从大量的、不完全的、有噪声的、

模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不

知道的、但又是潜在有用的信息和知识的过程，也称作知识发现

（knowledgediscovery）。数据挖掘所发现的知识最常见的包括：

广义知识、特征型知识、差异型知识、关联知识、分类知识、预测

型知识、偏离型知识等。关联知识是反映一个事件和其他事件之间

依赖或相互关联的知识。如果两项或多项属性之间存在关联，那么

其中一项的属性值就可以依据其他属性值进行预测；

关联知识发现即关联规则挖掘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。

2.关联规则挖掘原理

关联规则挖掘，是指从一个大型的数据集中发现有趣的关联关

系，即从数据集中识别出频繁出现的属性值集，也称为频繁项集

(frequentitemsets，简称频繁集)，然后利用所得的频繁集创建

描述关联规则的过程.

关联规则中的支持度和置信度是两个规则兴趣度的度量，它们

说明了所发现规则的有用性(utility)、确定性(certainty)、新颖

性(novelty)和简洁性(simplicity).在实际问题的处理过程中，为

了满足需要，用户需指定规则必须满足支持度和信任度的门限，我

们称其为最小支持度(minimumsupport)和最小信任度(minimum

confidence).

3.关联规则的定义：假设i是项的集合。给定一个交易数据库，

其中每个事务t是i的非空子集，即每一个交易都与一个唯一的标

识符tid对应。

关联规则是形如x→y的蕴涵式，其中且，x和y分别称为关联

规则的先导lhs和后继rhs。关联规则在d中的支持度是d中事务

包含的百分比，即概率；置信度是包含x的事务中同时包含y的百

分比，即条件概率。

关联规则是有趣的，如果满足最小支持度阈值和最小置信度阈

值。这些阈值由用户或者专家设定

4.关联规则挖掘的一般步骤

给定一个事务数据库，关联规则挖掘的基本任务就是首先通过

用户指定最小支持度和最小置信度，挖掘出大型数据库中的强关联

规则。可分成两个步骤：1)挖掘频繁项集：通过用户给定的最小支

持度，找出所有频繁项集，即支持度不小于最小支持度的所有项集。

2)生成关联规则：使用频繁项集生成置信度大于预先给定的最小置

信度阈值的关联规则。

挖掘关联规则的整个性能主要是由第一步（挖掘频繁项集）决

定的，所以有效地计算频繁项集就成了关联规则挖掘算法研究的重

点。

5.关联规则的分类：按照不同情况，关联规则可以进行分类如

下：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；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；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。

6.关联规则挖掘的相关算法：①apriori算法：使用候选项集找

频繁项集。apriori算法是一种最有影响的挖掘布尔关