關聯(lián)規(guī)則中ECLAT算法的研究與應用.pdf

1、近年來，隨著計算機技術的發(fā)展、數據管理技術的成功應用、企業(yè)內部信息化程度的不斷提高，各個應用領域的數據庫中都積累了海量的數據。利用數據挖掘技術能夠從大規(guī)模的數據中獲取正確的、有趣的、潛在有價值的知識。而關聯(lián)規(guī)則挖掘則是其中一個重要的研究方法，具有重要的理論價值和廣泛的應用前景。
　　 當前，關聯(lián)規(guī)則的挖掘受到了相當的關注，現(xiàn)有的關聯(lián)規(guī)則算法多是基于Apriori思想和Fp-growth思想的迭代算法。本文深入分析了頻繁項集的挖掘

2、問題，對現(xiàn)有的頻繁項集挖掘算法進行了系統(tǒng)的歸納和分類，根據數據庫的表示方法主要分為兩大類：水平數據表示和垂直數據表示，并針對這兩大類的經典代表算法Apriori算法和Fp-growth算法進行分析，指出了他們各自的優(yōu)缺點。通常采用垂直數據庫表示的挖掘算法性能優(yōu)于水平算法，本文深入研究和分析了采用垂直數據庫表示的Eclat算法，并在其基礎上提出了改進的算法—DEclat。
　　 改進算法將劃分思想與Eclat算法相結合，并突出了基

3、于概率的先驗約束方法，把數據庫中的事務劃分成n個非重疊的部分，對每一部分采用Eclat算法思想，希望能減少每次交操作時Tidset的規(guī)模，減少交操作時的比較次數；通過基于概率的先驗約束，減少產生的局部頻繁項集數，提高算法的效率。
　　 現(xiàn)有的挖掘含負項目的關聯(lián)規(guī)則算法為數不多，而且多是基于Apriori思想的迭代算法，需要對數據集進行多次掃描，同時生成大量的候選頻繁項集。在研究國內外相關學者的研究成果的基礎上，本文根據差集垂直數