頻繁鏈表關聯(lián)的挖掘算法及其在證券業(yè)中的應用.pdf

1、在交易數(shù)據(jù)庫、時間序列數(shù)據(jù)庫及其它種類的數(shù)據(jù)庫中挖掘關聯(lián)規(guī)則，已經成為數(shù)據(jù)挖掘研究中一個流行的研究領域。大部分挖掘采用Apriori類方法，可產生候選集的代價非常高。FP-tree和CATS-tree算法提出了壓縮存儲和不產生候選項集的思想，但不適用于證券業(yè)。因它們都要求交易為多交易項的（一筆交易中常有多種商品），且得到的頻繁模式不包含時間屬性（即購買啤酒的人80％會同時購買尿布，而不是在未來某個時段內會購買）。而證券業(yè)有其特殊性，表現(xiàn)

2、為每筆交易均為單交易項的，且多數(shù)客戶兩次交易間是有時間間隔的。 為此，文中提出了一個適用于證券業(yè)單交易項的關聯(lián)規(guī)則算法，此算法能用其挖掘到帶有時間段屬性的頻繁交易模式，能支持多閥值挖掘，滿足證券業(yè)個性化服務對預知投資者信息需求的目的。此算法采用共同路徑樹和全新的頻繁鏈表結構。前者是一棵擴展的前綴交易項樹結構，壓縮存儲了所有交易項的信息，且可在單交易項數(shù)據(jù)庫上直接構建。后者是前者遍歷的結果，壓縮存儲了所有與頻繁模式挖掘相關的信息。