基于FP-growth关联规则挖掘算法的研究与应用

摘要

关联规则揭示项集间有趣的相联关系，可广泛应用于市场营销、医学、金融、生物、电信、农业等领域，是数据挖掘的重要研究课题。自1993年R.Agrawal，R.Srikant首次提出该问题以来，已出现了许多关联规则挖掘算法。
　　 其中最经典的关联规则挖掘算法是Apriori算法和FP-growth算法，而FP-growth算法是当前挖掘频繁项集算法中应用最广，并且不需要产生候选项集的关联规则挖掘算法。但是FP-growth算法并不能有效的挖掘大型数据库，并且时间和空间复杂度较高。为了克服这两处不足，本文对FP-growth算法进行了改进，提出了DCFPmine算法。DCFPmine算法首先采用分解数据库的方法，克服了FP-growth算法不能在大型数据库中进行有效挖掘的问题；其次，DCFPmine算法在挖掘过程中采用了基于约束子树的方法，提高了算法在时间和空间方面的效率。实验表明DCFPmine算法无论在时间和空间效率方面，都优于FP-growth算法。

目录

文摘

英文文摘

声明

第1章绪论

1.1数据挖掘的定义

1.2数据挖掘的基本步骤

1.3数据挖掘的主要任务

1.3.1数据预处理

1.3.2关联规则

1.3.3分类和预测

1.3.4聚类分析

1.4数据挖掘的研究现状

1.5数据挖掘未来的研究方向和热点

1.6本文的主要工作

1.7论文结构

第2章关联规则及其挖掘算法

2.1基本概念和问题描述

2.2关联规则的分类

2.3关联规则的研究现状

2.4经典的Apriori算法及其改进算法

2.4.1 Apriori算法

2.4.2实例说明

2.4.3 Apriori的性能瓶颈

2.4.4 Apriori改进算法

2.5 FP-growth算法

2.5.1算法描述

2.5.2实例说明

2.5.3 FP-growth算法的性能瓶颈及缺陷

2.6小结

第3章基于FP-growth算法的关联规则改进算法

3.1分解数据库算法

3.1.1分解数据库算法的思想

3.1.2分解数据库算法的过程描述

3.1.3实例说明

3.2基于被约束子树的挖掘算法

3.2.1改进的FP-树

3.2.2基于被约束子树的挖掘算法FPmine

3.3基于分解数据库和不生成条件FP-树的DCFPmine算法

3.3.1 DCFPmine算法

3.3.2实例分析

3.3.3性能分析

3.4小结

第4章DCFPmine算法的应用

4.1应用数据库说明

4.2数据预处理

4.3数据挖掘

4.4挖掘结果分析

4.5小结

第5章总结与展望

5.1本文工作总结

5.2未来工作展望

致谢

参考文献

攻读学位期间的研究成果