挖掘关联规则中Apriori算法的一种改进

针对制约Apriori算法效率的瓶颈问题,提出了一种对Apriori算法改进的策略,该策略利用二维数组标志位进行事务压缩和利用项集有序性进行项目压缩相结合。该算法减少连接次数以及扫描数据库的次数从而缩短数据库扫描时间,利用项集有序性改进判断是否进行连接的策略,并利用标志位变化逐步消除无用事务,从而实现了事务压缩和项目压缩,同时减少了判断时间。实验结果表明,经过优化了的Apriori算法在运行效率上有一定的提高。

一种提高Apriori算法效率的方法

Apriori算法是关联规则挖掘中的经典算法。在Apriori算法中,需要大量进行两个操作:判断两个k-项集是否前k-1项相同且最后一项不同;判断一个项集是否为另一个项集的子集。利用Apriori算法中项集之间都是有序的这一特点可以减少以上两个操作的执行次数,从而达到对Apriori算法进行优化的目的。实验结果表明,经过优化了的Apriori算法在运行效率上有一定的提高。

Web使用挖掘中Apriori算法的改进研究

分析了挖掘频繁访问模式的过程和当前Apriori算法的缺陷,提出了一种Apriori算法的改进算法:BI_Apriori算法。改进的算法采用不规则数组来保存项集信息,有效省去了扫描数据库所耗费的大量时间。将项集有序性引入到该数组上,减少了候选项集的个数。并采用二进制来表示1阶频繁访问模式,提高了模式匹配和连接的效率。试验结果表明,该改进算法能更有效地发现各种长度不同的访问模式。

基于散列技术的高效剪枝关联规则挖掘算法

该算法结合项集的有序特性有效压缩了频繁项集的数量,提高了算法效率,但是频繁2-项集的产生仍需要占用大量的存储空间,本文利用散列函数对候选频繁2-项集进行剪枝,这样频繁集的数目大大减少,不仅节省了存储空间、减少了计算开销,而且又保持了频繁项集的完整性。

基于排序矩阵和树的关联规则挖掘算法

最大频繁项集的生成是影响关联规则挖掘的关键问题,Apriori算法从大量的候选频繁项集产生频繁项集的过程是非常耗时的过程。本文提出了一种新的算法,该算法结合项集的有序特性构造矩阵,使生成树的每一层结点从左往右按支持度大小升序排列,这样得到的候选频繁项集的集合是最小的,大大减少了候选频繁项集的数量,而且能保持频繁项集的完整性,从而节约了计算开销,提高了算法的效率。

一种改进的Apriori挖掘算法

针对制约Apriori算法效率的瓶颈问题,提出了一种基于Apriori的改进算法,算法只需要遍历一次事务数据库,避免了Apriori算法多次扫描事务数据库和产生大量的候选项集,同时利用项集的有序性改进了判断连接的方式,优化了连接步骤,减少了判断时间。实验结果表明,改进的Apriori算法在运行效率上有一定的提高。