最大和最長頻繁項集增量更新研究.pdf

1、數據挖掘是目前數據庫研究中的一個熱門領域，關聯規(guī)則挖掘又是數據挖掘中最活躍的分支，而其中發(fā)現頻繁項集則是關聯規(guī)則挖掘應用中的關鍵技術和步驟?，F有的頻繁項集挖掘算法主要針對靜態(tài)數據進行，但在現實生活中我們面對的數據常常是動態(tài)變化的，比如在線提供的實時服務、大型商場的購物清單，此外基于互聯網的很多應用所提供的數據，也都是動態(tài)變化的。在動態(tài)變化的環(huán)境下，傳統(tǒng)的頻繁項集挖掘算法存在兩方面問題，一方面，挖掘得到的頻繁項集不能正確反映當前數據的狀態(tài)

2、；另一方面，由于數據量非常大，過多地掃描數據庫使得挖掘效率很低。為此，本文在深入了解數據動態(tài)變化情況的同時，還對國內外關于頻繁項集挖掘的研究現狀進行了綜合分析比較，然后選擇了兩種有代表性的頻繁項集進行深入研究。
　　首先，根據支持度閾值變大和變小兩種情況，分別提出了兩個改進的最大頻繁項集增量更新算法。當支持度變大時，Bigger-SMFIU算法采用逆向判斷的方法挖掘新的最大頻繁項集。而Smaller-SMFIU算法主要針對支持度變

3、小的情況，從高維到低維依次掃描原來的最大頻繁項集，將其分為兩種情況分別處理，最終得到更新后的最大頻繁項集。
　　其次，提出了改進的FP-tree，并基于此FP-tree結構提出了一種新的最長頻繁項集挖掘算法，考慮事務數據庫是隨時變化的，接著又詳細描述了數據庫變大和變小時的最長頻繁項集增量更新算法。
　　最后，通過與已有算法進行對比實驗，驗證了本文所提出的最大和最長頻繁項集增量更新算法的可行性和有效性，并對每個算法的執(zhí)行效率進