一种改进的相关项对挖掘算法研究

摘要

在传统的相关规则挖掘中,多使用的是Apnon算法,就是用支持度-置信度框架寻找概率较高的模式,然后再对项集进行相关性检测获得相关规则,但会忽视低支持度-高相关性的关联规则.针对上述问题,有学者提出基于Phi相关系数挖掘正相关项对,避免了Apriori算法带来的不足,可以挖掘出低支持度-高相关度的项对.算法虽然裁剪了搜索空间,但基于大数据集上在降低运行时间性能方面效果提高不明显,同时挖掘出的项对可能是无意义的.为此提出了一种新的兴趣度模型的关联规则挖掘算法,利用项(对)的超集兴趣度的上界来裁剪搜索空间,大大地降低了算法运行时间,并根据项对冗余的约束条件过滤了无意义的项对.新算法相比,采用Phi相关系数的算法在降低运行时间方面得到显著提高,同时结果裁剪了冗余的项对,提高了挖掘效率和准确率.