關系數(shù)據(jù)挖掘的正負關聯(lián)規(guī)則挖掘算法.pdf

1、數(shù)據(jù)庫技術的逐漸成熟、網絡技術的迅速普及和計算機硬件的不斷出新，使人們采集數(shù)據(jù)的能力得到了極大的提高，從而導致了全球范圍內數(shù)據(jù)存儲量的急劇增大。為增強人們對這些海量數(shù)據(jù)的理解能力，數(shù)據(jù)挖掘技術近年來得到了快速發(fā)展。 關聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘的重要內容之一，1993年由Agrawal等人提出，它最初是以分析事務數(shù)據(jù)庫中項與項之間聯(lián)系為目標，后來的研究者們對問題原型進行多方面的改進和擴充。目前，關聯(lián)規(guī)則挖掘技術已經被應用到商業(yè)、電訊、

2、金融、農業(yè)、醫(yī)療等領域，取得了良好的效果。關系數(shù)據(jù)庫是眾多行業(yè)和部門用于存儲其生產、管理和科研等大量信息的重要形式，數(shù)據(jù)量的增長極為迅速，積極研究在關系數(shù)據(jù)庫中挖掘關聯(lián)規(guī)則的有效技術具有極為廣闊的發(fā)展前景。 本文詳細地闡述了經典關聯(lián)規(guī)則挖掘Apriori算法，并通過案例進一步說明了算法思想，隨后針對Apriori算法的不足，簡要提出了幾種相應的改進技術。隨后提出了基于頻繁模式樹的FP-growth算法，具體分析了頻繁模式樹結構，

3、及基于FP-tree的頻繁模式挖掘，同時結合具體的案例對FP-growth算法思想進行了補充說明。 論文提出的算法采用多級支持度并運用相關度從頻繁項集中產生正關聯(lián)規(guī)則，從頻繁項集和非頻繁項集中產生負關聯(lián)規(guī)則，利用相關度α剪除較小價值的規(guī)則，通過設置合理的最小興趣度并計算相關性和置信度，經過比較判斷得到有效規(guī)則，并且提出了四種多級置信度和卡方檢驗測試關聯(lián)規(guī)則的相關性和獨立性。 論文研究了關系數(shù)據(jù)庫中關聯(lián)規(guī)則挖掘工具原型的設