随着信息技术的高速发展,数据的规模呈现指数级别增长,如何从这些数据中发现潜在的、价值高的信息是目前数据挖掘领域面临的主要挑战。伴随着数据流的出现,针对数据流的挖掘成为了数据挖掘领域中的一个研究热点,其中高效用模式挖掘是数据流的一个主要研究方向。当前数据流上的高效用模式挖掘算法总体上都是基于全局头表和效用树这两种数据结构展开挖掘工作的,为了使数据流上的高效用模式挖掘算法可以快速有效地执行并且适应更多的应用场景,本文对数据流上的高效用模式挖掘算法做了深入的研究,主要工作如下:(1)已有的数据流上的高效用模式挖掘算法建立的全局头表中包含无关冗余数据项,并且在挖掘过程中对低效用数据项做了无用的处理,增加了额外的时间开销。为了提高算法的挖掘效率,本文提出了数据流上基于全局修订头表和低效用模式预剪枝策略的高效用模式挖掘算法HUMGRT。该算法通过对全局头表的修订,删除无关冗余数据项,同时利用预剪枝策略忽略了低效用数据项,从而提高了算法的挖掘效率。在不同数据集上与多个主流算法进行对比实验,结果表明,本文提出的HUMGRT算法有更好的时间效率。(2)在长事务场景下,高效用模式挖掘算法运行效率不高,且容易造成内存溢出。本文给出了长路径事务和数据项最大递归挖掘次数的定义,并且提出了数据项挖掘次数既定策略ESMI。该策略在不改变效用树结构的情况下,通过控制长路径事务中数据项的递归挖掘次数,解决了算法不能较好地适用长事务场景的问题。实验表明,本文提出的数据项挖掘次数既定策略ESMI可以有效地提高算法的时空效率并拓展算法的适用范围。(3)现有高效用模式挖掘算法均未考虑出现新增数据项的场景,新增数据项的存在会使外部效用值出现缺失,导致算法无法继续执行挖掘工作。为了解决这个问题,本文提出了一种向前预判补全模型RPC-Model。该模型利用已读入数据项的相关效用信息对新增数据项缺少的必要外部效用值进行补全,使算法能够正常运行,并通过相关的对比实验验证了RPC-Model模型的可行性和准确性。