论文部分内容阅读
数据挖掘是指从大型数据库中发现潜在的、新颖的、有价值的、可用的及能被用户理解的模式和信息的过程。关联规则挖掘是数据挖掘的一个重要研究领域，主要是发现数据库中属性之间的关联关系。
本文在广泛查阅国内外文献的基础上，针对关联规则算法的若干问题进行了深入地分析研究，论文的主要研究内容和成果如下：
首先，提出了基于排序FP-Tree（SortedFP-Tree，简称SFP-Tree）的最大频繁项目集挖掘算法SFP-Miner。在SFP-Miner算法中，通过两次扫描数据库将其中每个事务所包含的频繁项目压缩存储在SFP-Tree中。在挖掘过程中，充分利用SFP-Tree的特点，并采用合并子树和预剪枝策略在SFP-Tree上进行深度优先挖掘，而不需要扫描数据库，减少了算法在挖掘过程中使用的存储空间和计算时间。实验结果表明，该算法有较好的性能。
其次，提出了基于完全合并SFP-Tree的最大频繁项目集更新挖掘算法UAMFI。该算法基于完全合并SFP-Tree，直接在树上进行深度优先搜索，能够快速地进行最大频繁项目集的更新挖掘。实验测试和结果分析，该算法可以高效的更新最大频繁项目集。
最后，针对多值属性关联规则挖掘问题，提出了基于高维聚类的多值属性关联规则挖掘算法DBSMiner。该算法借鉴ARCS思想，先将高维数据集的各维进行划分，然后将密度单元进行排序，并提出一种基于网格的高维聚类算法对划分后的数据进行聚类挖掘。理论分析和试验结果表明，DBSMiner算法具有较好的执行效率和精确度，能有效的进行多值属性关联规则的挖掘。