关联规则挖掘综述

关联规则挖掘综述摘要：近年来国内外学者对关联规则进行了大量的研究。为了更好地了解关联规则的挖掘技术，对研究现状有更深入的了解，首先本文对数据挖掘技术进行了介绍，接着介绍了关联数据挖掘的基本原理，最后对经典的挖掘算法进行分类介绍。关键词：数据挖掘；关联规则；算法；综述1.引言数据挖掘是从海量的数据里寻找有价值的信息和数据。数据挖掘中常用的算法[1]有：关联规则分析法（解决事件之间的关联问题）、决策树分类法（对数据和信息进行归纳和分类）、遗传算法（基于生物进化论及分子遗传学理论提出的）、神经网络算法（模拟人的神经元功能）等。数据挖掘最早使用的方法是关联分析，主要应用于零售业。其中最有名的是售货篮分析，帮助售货商制定销售策略。随着信息时代的到来，数据挖掘在金融[2]、医疗[3]、通信[4]等方面得到了广泛的应用。2.关联规则基本原理设项的集合I={I1，I2，...，Im}，数据库事务的集合为D，我们用|D|表示事务数据库所有事务的个数，其中用T表示每个事务，使得TI。我们用TID作为每个事务的唯一标识符。用X表示一个项集，满足XT，那么交易T包含X。根据上述相关描述，给出关联规则的相关定义。2.1项集支持度用X表示数据库事务D中的项集，项集X的支持度表示项集X在D中事务数所占的比例，用概率P（X）表示，那么Support（X）=P（X）=COUNT（X）/|D|（1）2.2关联规则置信度XY关联规则的置信度是数据库事务D中包含XY的事务数与包含X的事务数之比，表示方法如下：confidence（XY）=support（XY）/support（X）=P（Y|X）（2）3.关联规则算法3.1经典的Apriori挖掘算法大多数关联规则的算法是将关联规则挖掘任务分为两个子任务完成。一是频繁项集的产生，频繁项集的目的是找到大于等于给定的最小支持度阈值的所有项集，这些项集我们称之为频繁项集。二是规则的产生，即从频繁项集中找到置信度比较高的规则，我们称之为强规则。Apriori挖掘算法是众多挖掘关联规则中比较经典的算法，它采用布尔关联规则，是一种宽度优先算法。3.2Apriori算法优化Apriori算法的思想是每产生一次候选集就需要扫描一次数据库，但是当数据库中的数据庞大，无法直接完全放于内存中，扫描过程中数据需要不断的换入换出，加重了I/O的负担。可见当数据信息大的时候，算法效率低下，同时也消耗的大量的内容。3.2.1哈希表技术（散列项集到对应的桶中）：Park等提出了一种基于散列的产生频繁项集的高效算法DHP算法。即将产生的所有的候选k-项集（k1）散列到哈希表结构对应的桶中并增加对应的桶计数，利用哈希表技术可以有效减少候选k-项集（k1）所占用的空间，进而提高了Apriori算法的效率。3.2.2划分技术（为寻找候选项集划分数据）：Savasere等提出了一个基于数据划分的算法，即将数据库中的记录划分成几个互不相交的块，各块可以高度并行执行，由最小支持度得到每块中对应的最小支持度。第一次扫描数据库，得到各块的频繁项集，即局部频繁项集。当算法进行数据库的第二次扫描时，需得到每个候选项集的支持数，进而得到全局频繁项集的值。3.2.3事务压缩技术（即压缩未来迭代扫描的事务数据）：该技术用于压缩迭代扫描数据库的大小，即将不包含任何k-项集的事务肯定不包含任何（k+l）-项集，这种事务在以后考虑时，可以加上标记或者删除项集，因为产生j项集（jk）时不再需要从数据库加上它们进行扫描，如此就可以减小需要扫描的数据库的规模，从而在一定程度上提高算法的效率。3.2.4连续关联规则算法C.Hidber提出了一种新型的名为CARMA（连续关联规则的算法挖掘算法）算法，该算法用来在线计算大项集。随着每个项集的支持区间的减少不断产生大项集。他已证明：当相应的支持区间的规模快速减少时，CARMA的项集数迅速接近所有大项集的超集。CARMA的内存效率比Apriori是一个数量级的提高。当支持度阈值比较低时，Apriori和DIC落后CARMA，此外，CARMA的内存使用效率是两者的六十倍以上。3.3基于频繁模式树的算法FP-growth由Zaki提出的Eclat算法被认为是产生频繁项集的深度优先方式的原型。在这以后不同深度优先算法被提出，其中由韩家炜等提出的FP-growth算法是最著名和最广泛使用的。韩家炜等人提出了基于频繁模式树（FP-Tree）的算法。该算法首先两次扫描事务数据库，得到频繁项目集的支持度，然后将它们降序排序，并且存储到FP-Tree中。在以后寻找频繁项目集的过程中，不需要再对事务数据库进行遍历，只需要在FP-Tree中寻找新的频繁项目集即可。3.4并行算法随着高性能多核处理器的出现，学者们开始借助并行系统的强大运算能力，将并行算法引入到研究中。在Bodon工作的基础上，YanbinYe等实现了并行Apriori算法，并分析并行计算的性能，分割事务数据库的每个分区执行Apriori算法。3.5其它关联规则算法MohammedJ.Zaki等提出了CHARM（闭关联规则挖掘），它在优势主要体现在挖掘所有频繁闭项集。Hua-FuLi等提出了就是通过整个历史数据流挖掘所有频繁项集的DSM-FI（数据流挖掘频繁项集），。JianPei等提出了H-mine频繁模式挖掘算法。3.6关联规则的评估3.6.1基于兴趣度约束的关联规则挖掘算法Silberschatz.A等提出了可执行规则的概念，并统一了关联规则挖掘过程中主客观评价标准。SrikantR提出了基于项目约束的关联规则挖掘的概念和相应的算法描述。BalajiPadmanabhan等提出了一种发现未知模式的置信驱动方法，在挖掘过程中考虑到与置信评判的结合，从而使挖掘出的关联规则更加有效。3.6.2加权关联规则挖掘算法Cai等提出了基于K-支持期望的加权关联规则挖掘算法模型：MINWAL（O）模型和MINWAL（W）模型。张文献等采用权重集归一化的思想对Cai给出的算法做了改进。WeiWang等[5]提出了一个挖掘加权关联规则的方法，其方法不仅缩短了平均执行时间，但也比已知的方法产生高质量的关联规则。4.小结数据挖掘是一门新鲜的学科，有着广阔的应用前景，因而吸引了众多的学者对它进行研究，其中关联规则是其中应用最早也是很重要的一个领域。关联规则的挖掘受到越来越多的企业和研究者们的重视，算法模型的建立、算法效率的提高、算法的扩展应用、挖掘潜在有趣的规则等具有重大的理论意义和实用价值。参考文献[1]方骏，方云，肖杰.数据挖掘的工业标准的现状和展望[J].计算机应用研究，2004，4：8-1。[2]余波，朱东华，刘卓君.加权关联规则挖掘算法在电子商务中的应用[J].计算机工程与应用，2008，44（17）：128-129.[3]刘智，伊卫国，鲁明羽，等.向量法关联规则挖掘在冠心病诊断中的应用[J].计算机工程，2010，36（6）：42-44.[4]羡晨静，张维石，刘伟光.关联规则分析在电信交叉销售中的应用研究[J].计算机工程与设计，2008，29（22）.[5]张文献，陆建江.加权布尔关联规则的研究[J].计算机工程，2003，29（9）：55-57.