数据挖掘技术中的关联规则挖掘算法研究

论文摘要

数据挖掘是伴随着信息量的迅速增长而诞生的,它是从数据中析取、识别和发现潜在的、有用的、前所未知的、最终可理解的知识（规则或模型）的过程。数据挖掘技术就是要在已有数据中识别数据的模式,以帮助用户理解现有的信息,并在已有信息的基础上,对未来状况做出预测。关联规则挖掘是数据挖掘中的一个重要研究分支,主要用于发现数据集中项与项之间的相关联系。Apriori算法和FP-Tree算法是关联规则挖掘中的经典算法,它们都是基于事务数据库中的数据量不会发生变化和每个数据项都具有同等的重要性进行挖掘。但在实际的应用中数据库中的数据是在不断发生变化的,并且对于不同的数据项人们的关注程度也不尽相同。如果我们仍然采用传统的挖掘算法进行关联规则的挖掘,挖掘的效率将非常低下,挖掘的结果也不够准确。针对这些问题本文进行了深入研究,主要工作和创新点包括:（1）研究了布尔型关联规则挖掘算法—Apriori算法,对该算法的基本思想和挖掘步骤进行了归纳和总结。详细分析了算法的缺点,针对这些缺点讨论了各种改进措施。并且对其中最具影响力的改进算法—FP-Growth算法进行了详细的分析和研究。（2）提出了一种改进的增量式更新挖掘算法—AFUP算法,该算法针对现有增量式更新挖掘算法中对新增项目不敏感这一问题,引入了敏感度的概念用来衡量新增项目的敏感程度。解决了传统增量式更新算法中无法发现新增项目集中潜在关联关系的问题,同时算法效率也有所提高。（3）提出了一种新的加权关联关联规则挖掘算法—FPWAL算法。与以Apriod算法为基础的挖掘算法不同,该算法以FP-Tree算法为基础,减少了数据库扫描次数,大大提高了挖掘的效率。同时引入了水平权值和垂直权值的概念,使得挖掘结果也更加合理。针对本文提出的两种算法都进行了实验验证,结果证明了算法的有效性、合理性和高效率。同时,本文提出的算法也使挖掘结果更加符合现实需求。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 论文的主要研究内容
• 1.3 论文的组织结构
• 第二章 数据挖掘技术
• 2.1 数据挖掘的基本概念
• 2.2 知识发现的步骤
• 2.3 数据挖掘系统基本框架
• 2.4 数据挖掘的分类
• 2.5 数据挖掘的对象
• 2.5.1 关系数据库
• 2.5.2 数据仓库
• 2.5.3 事务数据库
• 2.5.4 高级数据和信息系统与高级应用
• 2.6 数据挖掘的主要问题
• 2.7 本章总结
• 第三章 关联规则挖掘
• 3.1 关联规则挖掘的基本概念
• 3.1.1 关联规则挖掘的问题描述
• 3.1.2 关联规则挖掘的步骤
• 3.1.3 关联规则的分类
• 3.2 关联规则挖掘中的经典算法
• 3.2.1 Apriori算法
• 3.2.2 Apriori算法示例
• 3.2.3 Apriori算法的局限性
• 3.2.4 Apriori算法优化
• 3.3 频繁模式树挖掘算法
• 3.3.1 FP-Growth算法
• 3.3.2 FP-Growth算法示例
• 3.4 本章总结
• 第四章 基于新增事物数据集的增量式挖掘算法
• 4.1 相关问题描述
• 4.2 FUP算法
• 4.2.1 算法的基本思想
• 4.2.2 算法描述
• 4.2.3 算法存在的不足
• 4.3 AFUP算法
• 4.3.1 算法的基本思想
• 4.3.2 算法描述
• 4.3.3 算法实验分析
• 4.4 本章总结
• 第五章 加权关联规则挖掘研究
• 5.1 问题的提出
• 5.2 加权关联规则模型及算法
• 5.2.1 加权关联规则模型
• 5.2.2 加权关联规则算法
• 5.3 一种新的加权关联规则挖掘算法
• 5.3.1 加权关联规则模型
• 5.3.2 加权关联规则挖掘算法
• 5.4 算法性能测试
• 5.5 本章总结
• 第六章 总结与展望
• 6.1 论文总结
• 6.2 展望
• 参考文献
• 致谢
• 作者简历 在学期间发表的学术论文与研究成果