縮小候選集的Top-k高效模式挖掘算法研究.pdf

1、數(shù)據(jù)挖掘能夠發(fā)現(xiàn)隱藏在數(shù)據(jù)中的有用信息，在數(shù)據(jù)分析領(lǐng)域扮演著重要角色，特別是在零售業(yè)，每天需要分析從各個(gè)分店產(chǎn)生的大量銷售數(shù)據(jù)，用來幫助商家做出有利的銷售決策，比如清單編制，產(chǎn)品布局和推廣。為了使銷售業(yè)務(wù)能夠按計(jì)劃順利進(jìn)行，對于各分店不斷產(chǎn)生的銷售數(shù)據(jù)，能夠進(jìn)行高效的分析是非常有必要的。
　　作為數(shù)據(jù)挖掘的一項(xiàng)重要技術(shù)，頻繁模式挖掘可以發(fā)現(xiàn)由項(xiàng)目構(gòu)成的有用模式。在通常的挖掘算法中，如 Apriori，F(xiàn)P-Tree，用戶需設(shè)定一個(gè)

2、閾值來從數(shù)據(jù)庫中獲取有用模式，但是現(xiàn)實(shí)中，用戶很難給出一個(gè)適當(dāng)?shù)拈撝怠?br>　　為了解決這個(gè)問題，Top-k頻繁模式挖掘算法被提了出來。不同于設(shè)置閾值，用戶只要設(shè)置希望得到的模式數(shù)量 k，就可以得到價(jià)值排名靠前的 k個(gè)模式。該算法利用向下閉合特性來縮小搜索空間，可以大大提高挖掘的處理效率。
　　現(xiàn)實(shí)應(yīng)用中比如超市零售數(shù)據(jù)分析中，商品利潤和出現(xiàn)次數(shù)具有重要的意義。但是 Top-k頻繁模式挖掘算法不考慮上述特性。盡管可以借用效用值挖

3、掘的概念加以解決，但它卻不滿足向下閉合特性。因此，無法利用向下閉合特性來提高效用模式挖掘的效率。近年來已經(jīng)有人提出超估的方法，但是會(huì)產(chǎn)生大量的候選模式。在高效用模式挖掘算法中，減少候選模式的數(shù)量是個(gè)重要的課題。
　　受此啟發(fā)，本文提出了借助精確和預(yù)估算效用值提高閾值縮小候選集的 Top-k高效模式挖掘算法，本文的主要工作有：
　?、偬岢隽?種利用項(xiàng)目集的精確和預(yù)估有效值的策略來提高構(gòu)建全局樹時(shí)的效用閾值，縮小樹的規(guī)模，節(jié)省了

4、時(shí)間。
　?、谠跇?gòu)建 UP-Tree之后，使用了一種新的策略再次提高閾值，使產(chǎn)生的候選模式更少。
　?、叟cUP-Growth和TKU算法相比，本文的算法在識別最終的 Top-k高效模式時(shí)，需要判斷的候選模式和掃描數(shù)據(jù)庫的次數(shù)更少。
　?、軐ΜF(xiàn)實(shí)數(shù)據(jù)和合成數(shù)據(jù)的綜合實(shí)驗(yàn)表明，本文算法具有較好的時(shí)間和空間性能。
　　文章第一部分緒論介紹了研究背景，現(xiàn)狀和內(nèi)容；第二部分，簡單介紹了數(shù)據(jù)挖掘的基本知識；第四部分，詳細(xì)講解