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，甚至利用已有的數(shù)據(jù)對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)域中的一個主要的研究內(nèi)容，用于表明數(shù)據(jù)項集之間的規(guī)則或模式聯(lián)系。本文正是對基于經(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，重點剖析了Apriori算法，對其進(jìn)行闡述和性能分析。針對Apriori算法會忽略概率小

2、但重要性高的項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集，引入矩陣思想，減低時間的消耗及空間的占用。基于以上兩點提出基于矩陣的加權(quán)關(guān)聯(lián)規(guī)則模型及算法:利用矩陣運算求和計算項集支持?jǐn)?shù)，不需要掃描數(shù)據(jù)庫，對數(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)，省去計算各項集加權(quán)支持度，再與最小加權(quán)支持度進(jìn)行對比的過程，而是在頻繁（k-1）-項集連接時利用矩陣運算求出項集支持?jǐn)?shù)，與對應(yīng)最小支持?jǐn)?shù)對比直接產(chǎn)生頻繁k-項集，不生成候選項集。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)實例對比驗證，該算法避免了大量I/O操作，所耗費的時間極大減少，規(guī)則收斂性較常規(guī)加權(quán)算法有了一定的提高，具有較強的實效性。最后將改進(jìn)的挖掘算法應(yīng)