基于位值壓縮存儲的頻繁模式挖掘方法及應(yīng)用研究.pdf

1、計算機技術(shù)已經(jīng)成熟地應(yīng)用于現(xiàn)實生活中的各個領(lǐng)域，實現(xiàn)了對數(shù)據(jù)的收集、存儲以及簡單統(tǒng)計處理分析。數(shù)據(jù)挖掘技術(shù)能夠進一步發(fā)現(xiàn)隱藏在數(shù)據(jù)中的關(guān)聯(lián)規(guī)則，而頻繁模式挖掘是關(guān)聯(lián)規(guī)則挖掘的重要步驟。頻繁模式挖掘有著廣泛的應(yīng)用領(lǐng)域，根據(jù)挖掘?qū)ο蟮牟煌挚梢缘玫讲煌姆诸?。本文對現(xiàn)有的頻繁模式挖掘算法進行了詳細的總結(jié)，根據(jù)事務(wù)中項發(fā)生的位置，采用位置值或者比特位的形式壓縮存儲數(shù)據(jù)集，基于位值壓縮存儲研究頻繁模式中的頻繁項集挖掘算法和頻繁序列挖掘算法，設(shè)

2、計了不同挖掘要求下的高效算法以及適用于生物序列和顧客購買行為分析的應(yīng)用算法。本文的研究內(nèi)容和創(chuàng)新成果如下：
　　首先，介紹了頻繁模式挖掘的相關(guān)定義和分類，并給出了不同分類下的典型算法。通過研究現(xiàn)狀分析，對現(xiàn)有頻繁模式挖掘算法進行總結(jié)對比，進一步學習算法各自的優(yōu)缺點，發(fā)現(xiàn)其中存在的問題和面臨的新挑戰(zhàn)。在充分了解頻繁模式挖掘算法發(fā)展過程的基礎(chǔ)上，列舉頻繁模式挖掘算法的典型應(yīng)用，根據(jù)頻繁模式挖掘算法的理論意義和應(yīng)用價值，對其發(fā)展趨勢進行

3、預(yù)測分析。
　　其次，提出了兩種不同挖掘需求下的頻繁項集挖掘算法。MaxPat_HB算法通過挖掘最大頻繁項集，有效縮小了頻繁項集的規(guī)模，采用邊產(chǎn)生候選項集邊進行頻繁性測試的策略來避免過多候選集的產(chǎn)生。與此同時，算法采用位向量和棧思想，用位向量值的變換代替出棧和入棧操作，使得算法達到較高的效率。FP_TopK算法用于挖掘前k名頻繁項集，該算法適用于需要較少結(jié)果集的專家系統(tǒng)或者決策支持系統(tǒng)等。算法從樹形結(jié)構(gòu)中抽取節(jié)點集合，節(jié)點信息中包

4、含節(jié)點在樹中先序遍歷和后序遍歷的順序值，進而基于節(jié)點信息進行候選集的生成和測試。在保證頻繁性的前提下，得到高質(zhì)量的挖掘結(jié)果。
　　再次，設(shè)計了三種不同挖掘需求下的頻繁序列模式挖掘算法。CB-PMFS算法是具有常規(guī)挖掘任務(wù)的算法，引入位置信息，可以通過一次對比雙向產(chǎn)生候選集，很好地解決了算法運行過程中的瓶頸的問題，即產(chǎn)生候選集所需要的時間過多。TDD_MFS算法用于挖掘最大頻繁序列模式，也可以有效地減小頻繁序列模式的結(jié)果集，算法采用

5、延遲分解的思想，自頂向下，總是對最長的序列進行分解，避免了對頻繁子集的重復挖掘。FIIP-BM算法將頻繁序列模式挖掘算法進一步劃分為內(nèi)部問題和內(nèi)聯(lián)問題。內(nèi)部問題指在一次事務(wù)中發(fā)生，內(nèi)聯(lián)問題則是在制定的間隔內(nèi)，發(fā)生在同一單元的不同的事務(wù)中。當間隔設(shè)置為零時，算法適用于內(nèi)部問題，即常規(guī)挖掘任務(wù)；當間隔不為零時，算法適用于內(nèi)部問題和內(nèi)聯(lián)問題，可以得到內(nèi)部頻繁模式和內(nèi)聯(lián)頻繁模式。
　　最后，結(jié)合生物序列的特性和顧客購買行為的分析需求設(shè)計了

6、兩個應(yīng)用算法。生物序列挖掘算法FBSB考慮到生物序列必須連續(xù)出現(xiàn)的特性，引入元素的位置信息建立快速排序列表，通過位置信息值必須相鄰的要求，保證了所有候選集都是真實出現(xiàn)的，并且可以得到全部頻繁序列，滿足了生物序列挖掘正確性的要求。顧客購買行為挖掘算法FP-ICA將顧客購買行為分析分為面向貨物和面向顧客的，通過位向量和位值變換來實現(xiàn)挖掘過程，面向貨物的挖掘結(jié)果可以用于商家管理自己的貨架，促使顧客在一次購買行為中購買更多的相關(guān)貨物；面向顧客的