多最小支持度关联规则挖掘研究

摘要

与传统的统计、查询方法相比，数据挖掘是人工智能、模式识别、数据库、机器学习以及管理信息系统等形成的交叉学科。数据挖掘是一个新兴的边缘学科，其应用领域非常广泛，并且具有良好的应用前景。 本文概述了关联规则挖掘，尤其对多最小支持度关联规则挖掘进行了深入研究分析，主要包括以下内容： 关联规则研究分析。概述了关联规则挖掘的基本概念，分类讨论了关联规则挖掘算法，并分析了其中几种典型算法；对多最小支持度关联规则挖掘的基本理论、挖掘算法和研究现状进行了研究分析。 针对多最小支持度关联规则挖掘，本文提出了一种多项目支持树(MIS-tree)结构模型，它能够储存关于频繁模式的关键信息。同时提出了一种基于MIS-tree的多最小支持度关联规则挖掘算法，即CFP-growth算法，用以挖掘所有的频繁项集。 针对多最小支持度设置难的问题，本文提出了一种保持MIS-tree结构的稳定算法，该算法不需要再次扫描数据库，只需要不断的运行挖掘算法来调整支持度，以便对所有项目设置一个适当的支持度阈值。 基于合成数据对CFP-growth算法的性能与Apriori算法、MSaprori算法、FP-．growth算法进行了比较实验，并对实验结果进行了分析。结果表明CFP-growth算法挖掘效率高于原：MSapriori算法。并对保持MIS-tree结构的稳定算法进行实验测试，结果表明比重新构建MIS-tree要节省大量的时间。

目录

文摘

英文文摘

第一章绪论

1.1引言

1.2关联规则研究现状

1.3本文的主要工作

第二章关联规则挖掘

2.1基本概念

2.2关联规则分类

2.3关联规则挖掘算法

2.3.1算法分类

2.3.2典型算法

2.3.3其它挖掘算法

2.4本章小结

第三章多最小支持度关联规则挖掘

3.1关联规则中的多最小支持度

3.2多最小支持度定义

3.3多最小支持度算法

3.4多最小支持度关联规则挖掘研究现状

3.5本章小结

第四章多最小支持度关联规则挖掘算法的改进

4.1关联规则挖掘的树型结构

4.2多项目支持树结构模型

4.3多最小支持度关联规则挖掘算法的改进

4.3.1算法描述

4.3.2算法分析

4.3.3仿真及结论

4.4本章小结

第五章保持MIS-tree结构的稳定算法

5.1算法思想

5.2算法实现

5.3仿真及结论

5.4本章小结

总结与展望

参考文献

在读期间发表论文

致谢