基于FP-growth关联规则挖掘算法的研究与应用

论文摘要

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。

论文目录

• 摘要
• ABSTRACT
• 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