基于频繁模式树的数据挖掘算法分析

论文摘要

数据挖掘是近年来迅速发展的信息处理技术,从大量的、不完全的、有噪声的、模糊的、随机的数据中,提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘是从海量数据库中发现人们感兴趣的、隐藏的、前所未知的知识。它涉及数据库、人工智能、机器学习、模式识别、知识工程、面向对象、信息检索和可视化等一系列技术。经过十多年的发展,它己成为关系数据库中最有前景的研究和应用领域之一。关联规则挖掘作为数据挖掘领域的一个重要研究分支,它的任务是发现所有满足支持度闽值和置信度阈值的强关联规则。近年来,关联规则挖掘研究己经成为数据挖掘中的一个热点,并被广泛应用于市场营销、事务分析等应用领域。关联规则挖掘算法是关联规则挖掘研究的主要内容,迄今为止己经提出了许多高效的关联规则挖掘算法。本文首先介绍了数据挖掘的定义及主要的数据挖掘技术,然后详细描述了关联规则挖掘的基本理论和算法,其中包括经典Aptiori算法、FP-Growth算法,分别给出了两种算法的实例对算法进行了分析。最后在优化数据结构和事务数据集划分两个方而上实现了对FP-Growth算法的优化。并且通过仿真实验验证了优化算法在挖掘大型数据库时比FP-Growth算法更有效。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 论文研究的背景及意义
• 1.2 数据挖掘中的关联规则
• 1.3 论文的主要工作
• 1.4 论文的组织结构
• 第2章 数据挖掘技术
• 2.1 数据挖掘的产生
• 2.2 数据挖掘的研究现状
• 2.3 数据挖掘的概念
• 2.4 数据挖掘的对象
• 2.5 数据挖掘的过程
• 2.6 数据挖掘的任务和应用
• 2.7 数据挖掘面临的挑战及发展趋势
• 2.8 本章小结
• 第3章 关联规则挖掘
• 3.1 关联规则的简介
• 3.2 关联规则的研究现状
• 3.3 关联规则的基本概念
• 3.4 关联规则的分类
• 3.5 关联规则的挖掘过程
• 3.6 关联规则挖掘经典算法的分析
• 3.6.1 Apriori算法
• 3.6.2 由频繁项集产生关联规则
• 3.6.3 Apriori算法举例
• 3.7 对Apriori的改进算法的分类
• 3.8 本章小结
• 第4章 基于频繁模式树的关联规则挖掘算法
• 4.1 不产生候选集挖掘频繁项集的算法
• 4.1.1 频繁模式增长算法
• 4.1.2 频繁模式增长算法应用实例
• 4.1.3 对频繁模式增长算法的分析
• 4.2 基于频繁模式树的优化及相关的数据结构
• 4.2.1 项头表的优化
• 4.2.2 频繁模式树的优化
• 4.2.3 频繁模式树中的部分数据结构
• 4.3 基于频繁模式树的关联规则挖掘的优化算法
• 4.3.1 基本思想方法
• 4.3.2 事务数据库的划分
• 4.3.3 频繁项集的合并与修剪
• 4.4 本章小结
• 第5章 实验测试与性能分析
• 5.1 测试环境及测试事务数据库
• 5.2 算法测试和分析
• 5.2.1 算法在census数据库上的测试
• 5.2.2 算法在accidents数据库上的测试
• 5.2.3 算法测试结果分析
• 5.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢