不確定頻繁閉項集挖掘算法研究.pdf

1、隨著互聯(lián)網的發(fā)展和科學技術的不斷進步，各行各業(yè)都出現(xiàn)了海量的數(shù)據(jù)，這些數(shù)據(jù)是傳統(tǒng)的技術所無法處理的。例如在經濟、金融、電信等行業(yè)都出現(xiàn)了海量的數(shù)據(jù)。在這樣的大數(shù)據(jù)背景下如何挖掘出有用的知識變得越來越有意義。它可以有效的解決當前數(shù)據(jù)豐富而知識匱乏的問題。挖掘頻繁項集一直以來都是數(shù)據(jù)挖掘技術中的重點問題。挖掘得出的頻繁項集可以更好的指導更有效的方案的制定。例如經典的啤酒和尿布的案例。
　　然而數(shù)據(jù)挖掘的結果往往不盡如人意，由于海量的數(shù)

2、據(jù)以及支持度較低的時候挖掘出的頻繁項集的數(shù)量和關聯(lián)規(guī)則的數(shù)量往往也是巨大的，顯然這不是我們想要的結果，一般的解決思路就是讓結果只產生更具有代表性的子集，例如挖掘最大頻繁項集或者挖掘頻繁閉項集，但是最大頻繁項集將會丟失重要的信息，所以我們選擇使用頻繁閉項集來代替海量的頻繁項集。
　　近些年來，數(shù)據(jù)在傳感器網絡、衛(wèi)星圖像信息、Web應用領域、無限射頻技術以及經濟、物流、電信等應用中都表現(xiàn)出了一種不確定性。因此在不確定性數(shù)據(jù)集中如何運用

3、數(shù)據(jù)挖掘技術變得十分迫切。然而目前經典的挖掘算法都是針對確定的數(shù)據(jù)集進行數(shù)據(jù)挖掘的。針對目前不確定性的數(shù)據(jù)集我們需要提出新的數(shù)據(jù)模型來應對數(shù)據(jù)的復雜性。
　　本文深入學習研究頻繁閉項集的挖掘算法之后提出改進策略，并且對當前廣泛出現(xiàn)的不確定性數(shù)據(jù)模型深入學習，閱讀大量文獻之后提出了一種不確定頻繁閉項集挖掘算法。主要研究成果如下：
　　1、頻繁項集挖掘的兩種策略。深入研究學習了大量的頻繁項集挖掘算法之后，頻繁項集挖掘領域的經典算

4、法主要有兩類，一是Apriori算法以及以Apriori算法為基礎的以層次迭代為策略來求取頻繁項集的挖掘算法。該算法的主要的不足之處就是必須多次訪問事務數(shù)據(jù)庫和產生大量的候選項集，這無疑增加了大量的時空開銷。二是FP-Growth算法以及基于FP-Tree結構的算法。該類算法采用深度優(yōu)先遍歷FP-Tree的策略，只需要訪問一次事務數(shù)據(jù)庫并且完全避免了利用候選項集的策略，時空效率得到了大大的提高。
　　2、頻繁閉項集挖掘的兩種策略。

5、用來代替頻繁項集而出現(xiàn)的頻繁閉項集的挖掘算法主要分為兩類，一是類Apriori算法，二是類FP-Growth算法，在第二類算法中挖掘頻繁閉項集效率最高的算法就是DCI_Closed算法，該算法提出這樣的概念：生成子是保序的，并且證明得出每個閉項集都有唯一保序的生成子序列。利用這一性質來達到剪枝的目的，提高了的算法運行的時間效率。
　　3、提出了一種改進的 DCI_Closed算法，針對當前頻繁閉項集高效挖掘算法DCI_Closed

6、在挖掘過程中存在一定的不足之處，本文在DCI_Closed算法的基礎之上提出了一種改進的 DCI_Closed算法，在算法中引入共生項集和雙生項集的概念，在構造FP-Tree結構的時候對候選的1-項集進行有效的剪枝操作，以此來提高算法的時空效率。
　　4、提出了一種新算法 U_DCI_Closed算法，不確定性數(shù)據(jù)集下挖掘頻繁項集已經成為數(shù)據(jù)挖掘領域中熱點問題，然而在不確定性數(shù)據(jù)集下挖掘最大頻繁項集和頻繁閉項集的算法并不多見。在深