數(shù)據(jù)挖掘關(guān)聯(lián)規(guī)則加權(quán)算法研究與改進(jìn).pdf

1、數(shù)據(jù)挖掘能夠從大型數(shù)據(jù)庫中提取或“挖掘”出人們有用的知識(shí)，甚至利用已有的數(shù)據(jù)對(duì)未來事物的變化趨勢進(jìn)行預(yù)測，關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘領(lǐng)域中的一個(gè)主要的研究內(nèi)容，用于表明數(shù)據(jù)項(xiàng)集之間的規(guī)則或模式聯(lián)系。本文正是對(duì)基于經(jīng)典Apriori的加權(quán)關(guān)聯(lián)規(guī)則挖掘算法進(jìn)行研究，并將研究成果應(yīng)用到電子商務(wù)推薦系統(tǒng)中。
　　本文首先概述了數(shù)據(jù)挖掘及關(guān)聯(lián)規(guī)則的相關(guān)基礎(chǔ)知識(shí)，重點(diǎn)剖析了Apriori算法，對(duì)其進(jìn)行闡述和性能分析。針對(duì)Apriori算法會(huì)忽略概率小

2、但重要性高的項(xiàng)目可能生成過多無趣關(guān)聯(lián)規(guī)則的缺陷，引入權(quán)值思想，避免重要事物被忽略的可能性;研究加權(quán)關(guān)聯(lián)規(guī)則挖掘算法中通用的定義和模型，引入k-支持期望作為剪枝過程的依據(jù)，克服了加權(quán)算法不收斂性的缺陷;針對(duì)常規(guī)關(guān)聯(lián)規(guī)則算法的缺陷----重復(fù)掃描目標(biāo)數(shù)據(jù)庫且生成大量不必要的候選項(xiàng)集，引入矩陣思想，減低時(shí)間的消耗及空間的占用?；谝陨蟽牲c(diǎn)提出基于矩陣的加權(quán)關(guān)聯(lián)規(guī)則模型及算法:利用矩陣運(yùn)算求和計(jì)算項(xiàng)集支持?jǐn)?shù)，不需要掃描數(shù)據(jù)庫，對(duì)數(shù)據(jù)庫的總體掃描

3、次數(shù)減至一次;將加權(quán)支持度的計(jì)算模型進(jìn)行變形處理，引用了最小加權(quán)支持?jǐn)?shù)，省去計(jì)算各項(xiàng)集加權(quán)支持度，再與最小加權(quán)支持度進(jìn)行對(duì)比的過程，而是在頻繁（k-1）-項(xiàng)集連接時(shí)利用矩陣運(yùn)算求出項(xiàng)集支持?jǐn)?shù)，與對(duì)應(yīng)最小支持?jǐn)?shù)對(duì)比直接產(chǎn)生頻繁k-項(xiàng)集，不生成候選項(xiàng)集。詳細(xì)說明改進(jìn)算法的思想和執(zhí)行流程，通過多組數(shù)據(jù)實(shí)例對(duì)比驗(yàn)證，該算法避免了大量I/O操作，所耗費(fèi)的時(shí)間極大減少，規(guī)則收斂性較常規(guī)加權(quán)算法有了一定的提高，具有較強(qiáng)的實(shí)效性。最后將改進(jìn)的挖掘算法應(yīng)