面向數(shù)據(jù)流的頻繁項集挖掘算法研究.pdf

1、在計算機技術、信息存儲技術及互聯(lián)網(wǎng)高速發(fā)展的今天，越來越多的企業(yè)提高信息化程度。在企業(yè)的實際應用中，數(shù)據(jù)挖掘正在被頻繁的提起，作為一個多學科交叉應用領域的數(shù)據(jù)挖掘技術正在各行各業(yè)的決策活動中扮演越來越重要的角色。
　　數(shù)據(jù)挖掘(Data Mining，簡稱DM)又稱數(shù)據(jù)庫中知識發(fā)現(xiàn)(Knowledge Discovery from Database，簡稱KDD)，是在海量數(shù)據(jù)中抽取出未知且有價值的模式的一個非平凡過程，它的最終結果

2、便于理解，是目前數(shù)據(jù)庫研究領域的熱點問題之一。
　　本文主要介紹了基于數(shù)據(jù)流的頻繁項集挖掘的基本概念和相關知識，介紹了經(jīng)典頻繁項集挖掘算法并對其優(yōu)、缺點進行分析，主要研究工作分以下兩方面:
　　第一、本文提出了一種基于WCF-tree加權滑動窗口數(shù)據(jù)流元項集挖掘算法(TWEM算法)。首先，考慮到數(shù)據(jù)在不同時間窗口內(nèi)的重要性，允許用戶定義窗口個數(shù)和各窗口權值;其次，利用WCF-tree挖掘閉項集;最后，結合各等價類內(nèi)項集與相應

3、元項集支持度不完全相同，保持一種可估算的關系特性，挖掘元項集。實驗結果表明，TWEM算法縮小了搜索空間，提高了程序的運行效率。
　　第二、本文提出基于矩陣的數(shù)據(jù)流頻繁模式預測算法（MFP算法）。MFP算法可預測在下一時間窗口中可能性較大的頻繁項集，以滿足用戶需要。該算法首先將數(shù)據(jù)轉(zhuǎn)換為0-1矩陣;然后通過矩陣剪裁和位運算更新矩陣，并從中挖掘頻繁項集;最后，利用當前窗口數(shù)據(jù)預測下一時間窗口中可能出現(xiàn)的頻繁項集。實驗結果表明，MFP算