关联规则研究现状

最新推荐文章于 2023-03-22 23:51:59 发布

cowboy_wz

最新推荐文章于 2023-03-22 23:51:59 发布

阅读量6.5k

点赞数 3

分类专栏：数据挖掘文章标签：算法数据挖掘 border 数据库磁盘框架

本文链接：https://blog.csdn.net/chl033/article/details/3102984

版权

本文介绍了关联规则挖掘算法的不同类型，包括多循环方式的Apriori和FP-growth算法，增量式更新的Border算法，以及并行/分布式算法如CD和PDM。此外，还提到了多层和多值关联规则挖掘，以及基于概念格的关联规则算法，展示了这一领域的丰富研究和应用。

摘要由CSDN通过智能技术生成

自从R.Agrawal等人于1993年提出关联规则的挖掘问题后，众多的研究者对该问题进行了大量的研究，到目前为止主要的研究方向包括：多循环方式挖掘算法（层次挖掘算法）、增量式更新算法、分布、并行式挖掘算法、多层关联规则的挖掘算法、多值关联规则的挖掘算法、基于概念格的关联规则挖掘算法等。

多循环方式挖掘算法的核心思想是“层次算法(level-wise algorithms)”，顾名思义是算法将整个挖掘过程分成若干层次，待各层次挖掘完成，再组合成最后的结果。这类算法包括Agrawal等人提出的Apriori、AIS、AprioriTid和AprioriHybrid；Park等人提出的DHP；Savadere等人提出的Partition；Toivonen提出的抽样算法Sampling；FP-growth；DIC等。其中最有效和最有影响的算法包括Apriori和FP-growth算法。

增量式更新挖掘算法包含两种情况：1)数据库中记录发生变化(增加或删除)时的更新； D.W.Cheng等给出层次算法所对应的更新算法FUP，在此基础上，提出了FUP2算法，从而不仅可以处理交易的增加，而且还可以处理交易的删除或修改。2) 在关联规则的度量（支持度、置信度、兴趣度等）发生改变时的更新。冯玉才等对此种情况进行了研究，提出了相应的算法IUA，PIUA。Feldman提出了一种称为Border算法的关联规则更新技术。在用户指定的最低支持度为绝对数且不变的条件下，该算法只需考察所有真子集均为频繁项目集，而本身却不是频繁的项目集(这些项目集称为Border)。但是该算法仍然需要存储相关的频繁项目集结果，以减少关联规则的更新代价。