一、基本概念
1.1. 项集的定义:在关联分析中,包含 0 0 0 个或多个项的集合称为项集.如果一个项集包含 k k k 个项,则称它为 𝑘 − 𝑘 − k−项集.例如{牛奶,面包,麦片}是一个 3 − 3 − 3−项集.
我们把空集看成不包含任何项的项集.如果一个项集 X X X出现在某个事物 𝑡 𝑖 𝑡_𝑖 ti 对应的购物记录中,称该事物包含了该项集,记为 𝑋 ⊆ 𝑡 𝑖 𝑋 ⊆ 𝑡_𝑖 X⊆ti.每个事物包含的项集都是 𝐼 𝐼 I的子集.
1.2. 支持度的定义:项集的一个重要性质就是它的支持度计数,即包含该项集的事务个数.项集 X X X 的支持度计数可以用 σ ( 𝑋 ) = ∣ { 𝑡 𝑖 : 𝑋 ⊆ 𝑡 𝑖 , 𝑡 𝑖 ∈ 𝑇 } ∣ \sigma(𝑋) = |\{𝑡_𝑖: 𝑋 ⊆ 𝑡_𝑖, 𝑡_𝑖\in 𝑇\}| σ(X)=∣{ ti:X⊆ti,ti∈T}∣来表示
1.3. 关联规则的表示方式:形如 𝑋 → 𝑌 𝑋 \rightarrow𝑌 X→Y的蕴
涵表达式,其中 𝑋 𝑋 X 和 𝑌 𝑌 Y 是是不相交的项集.关联规则的强度可以用它的支持度 𝑠 𝑠 s 和置信度 𝑐 𝑐 c 来度量,分别定义如下: 𝑠 ( 𝑋 → 𝑌 ) = σ ( 𝑋 ∪ 𝑌 ) N , 𝑐 ( 𝑋 → 𝑌 ) = σ ( 𝑋 ∪ 𝑌 ) σ ( X ) 𝑠(𝑋 → 𝑌) =\frac{ \sigma(𝑋\cup𝑌)}{N} , 𝑐(𝑋 \rightarrow 𝑌) = \frac{\sigma(𝑋\cup𝑌)}{\sigma(X)} s(X→Y)=Nσ(X∪Y),c(X→Y)=σ(X)σ(X∪Y)
二、理论基础
2.1. 关联规则的挖掘分解可以拆分成一下两个子任务:
(1)产生频繁项集:发现满足最小支持度阈值的所有项集,称为频繁项集;
(2)产生关联规则:从上一步发现的频繁项集中提取所有高置信度的规则.
如果采用对每个项集都计算其支持度计数的方式去发现频繁项集,必须将每个候选项集与每个事物去比较,这样做显然计算开销非常大.一个自然的思路就是能否利用频繁项集的性质在计算前减少候选项集的数目.对每一个非空项集来说,它的每个非空子集也是一个项集,并且包含大的项集的事务也一定包含该项集的每一个子集,因而我们有如下的先验原理.
2.2. (先验原理)设 𝑋 𝑋 X是项集,若