如果看了《Fast Algorithms for Mining Association Rules in Large Databases》,会发现对于 findLargeItemSets 来说,有两种算法。第一种就是Weka用的 apriori,另外一种叫做AprioriTid.两者殊途同归,最后得到相同的结果。往下深究,会发现其实区别仅仅在对新产生的集合每一项的Support更新上面。我下面简单介绍两者之前的不同点。
Apriori:每一步生成的Candidate。用Database(或者说是Instances)来更新Support。对于每一个Instance,如果它所包含的子集存在于Candidate中,那么就对Candidate该项+1 。(论文里说 对每一个Item hash。其实就是这个意思)。
AprioriTid:Database(Instances)只会用到一次。这里,对于每一个instance。会产生一个集合的集合。比如instance={i1,i2,i3}那么会产生{ {i1},{i2},{i3}}.然后可以用一个数组或者一个Map将<TID,SetOfItemSet>存放起来,由于TID一般为数字,因此我的算法里用的是一个数组TIDs。我对于算法的理解是:对于每一个TID,维持一个和CandidateK同步的K-SetOfItemSet,如果对于K-SetOfItemSet中的ItemSet存在于CandidateK中,那么ItemSet.count++。这里有一个提高算法速度的方法,将<TID,SetOfItemSet>中Suport<m_support的删除,因为这些项不可能产生与LargeK中。总结起来,也就是说对于每一个<TID,SetOfItemSet>,它维护的是L