基于不確定數(shù)據(jù)的頻繁項集挖掘算法的研究.pdf

1、近幾年來，不確定性數(shù)據(jù)廣泛出現(xiàn)在傳感器網(wǎng)絡，Web應用等領(lǐng)域中，對不確定性數(shù)據(jù)挖掘算法的研究已經(jīng)成為了數(shù)據(jù)挖掘領(lǐng)域的新熱點。不確定性數(shù)據(jù)挖掘主要包括聚類、分類、頻繁項集挖掘、孤立點檢測等方面，其中頻繁項集挖掘是重點研究的問題之一。
　　本文首先闡述了不確定性數(shù)據(jù)的產(chǎn)生原因及表現(xiàn)形式，討論了不確定性數(shù)據(jù)挖掘的研究現(xiàn)狀，然后對傳統(tǒng)數(shù)據(jù)中頻繁項集挖掘的經(jīng)典算法進行了介紹，重點討論了不確定性數(shù)據(jù)中用于頻繁項集挖掘的U-Apriori和UF

2、-growth算法，以及不確定性數(shù)據(jù)流中用于頻繁項集挖掘的UF-streaming和SUF-growth算法。其中U-Apriori算法和UF-growth算法分別是對經(jīng)典算法Apriori和FP-growth的擴展和改進，而UF-streaming算法和SUF-growth算法都是基于樹結(jié)構(gòu)的，這幾種算法都是不確定性數(shù)據(jù)挖掘中比較高效的算法。經(jīng)過研究與分析發(fā)現(xiàn)，目前對于不確定性數(shù)據(jù)頻繁項集挖掘算法的研究大都集中在完全頻繁項集，而對于最

3、大頻繁項集和頻繁閉項集挖掘算法的研究尚不多見。
　　本文提出了一種不確定性數(shù)據(jù)挖掘最大頻繁項集的UMF-growth算法，并通過一個實例詳細介紹了該算法的工作原理。UMF-growth算法是在UF-growth算法的基礎(chǔ)上提出來的，同樣只需要對原始數(shù)據(jù)庫掃描兩次即可完成最大頻繁項集的挖掘，與UF-growth算法不同的是，UMF-growth算法的挖掘過程分為兩個步驟：第一步首先獲得以每個頻繁1-項集為后綴的局部最大頻繁項集，第二