Apriori算法改进及在超市数据挖掘中应用

在超市购物数据处理时,常用Apriori算法对顾客"购物篮"进行分析;由于计算量大,Apriori算法通过使用最小支持度阈值和剪枝技术,控制了频繁集项数,但仍然有可能出现意义不大的频繁项集。将商品分成几个大类,设置大类的加权值;然后,计算加权支持度和置信度,根据最小加权支持度和置信度阈值进行剪枝和筛选,获得新的频繁项集和关联规则,提高算法的效率。

基于Bigtable与MapReduce的Apriori算法改进

为提高Apriori算法挖掘频繁项目集的效率,引进了Bigtable技术与MapReduce模型来对Apriori算法进行优化,设计出大数据环境下挖掘频繁项目集的新算法BM-Apriori算法。与单纯基于MapReduce模型的Apriori改进算法相比,新算法利用Bigtable的时间戳属性代替了键/值对的产生,只需扫描数据库一次即可,节约了模式匹配的时间。同时,BM-Apriori算法在项集列表中新增事务标号列,自动获取事务标号以计算支持度。将BM-Apriori算法在Hadoop平台上进行了实验,结果表明Bigtable技术的融入使得BM-Apriori算法具有更高的效率与可拓展性。

一种基于压缩矩阵的Apriori算法改进研究

针对已有基于矩阵的Apriori算法存在的问题,提出了一种改进的基于压缩矩阵的Apriori算法。算法进行了以下方面的改进:增加了两个数组,分别用于记录矩阵行与列中1的个数,使得算法在压缩矩阵时减少了扫描矩阵的次数;在压缩矩阵中,通过增加删除不能连接的项集和非频繁的项集的操作,使得矩阵压缩得更小,提高了空间效率;改变了删除事务列的条件和算法结束的条件,以减少挖掘结果的误差和算法循环的次数。算法性能分析和实验分析证明,改进后的算法能有效地挖掘频繁项集,并且比现有的算法具有更高的计算效率。

基于矩阵压缩的Apriori算法改进的研究

Apriori算法是利用关联规则进行数据挖掘的一种经典算法,但其具有产生大量候选项集和多次扫描数据库的缺点。鉴于此,提出了一种基于压缩矩阵的Apriori改进算法,通过扫描一次数据库,将其转化为布尔事务矩阵,按照相关性质对事务矩阵进行压缩,以减少算法的运算量。实验结果表明,改进算法在性能上得到了明显提高。

基于置信度与隐含度削减的Apriori算法改进

Apriori算法自身虽然进行了一定的优化,但它无法对最庞大的2阶候选项集进行削减,频繁项集中也至少有80%的项集不包含有效规则。其它改进算法虽然从不同角度对原算法进行了优化,但也不能解决后一个问题。文中所研究的算法,在保留原算法优化的基础上,首先引入隐含度概念及隐含度削减算法,对庞大的2阶候选项集进行削减;其次利用置信度,对k≥2阶频繁项集进行削减,同步生成关联规则,从而提高算法效率;最后讨论了只挖掘单项关联规则的可行性,仅需扫描原始数据库2次。

基于数组向量的Apriori算法改进

在分析Apriori算法的基础上,提出一种改进Apriori的算法,其主要思想是基于数组向量的数据布局,即根据每个事务不同的项目长度,分别存储在相应列长度的二维数组中,同时合并项目完全相同的事务,并记录事务的数目。新的算法改进了连接比较的次数、减少不必要事务的扫描和提高了算法对内存空间的利用效率。应用示例表明,该算法时间复杂度降低;实验结果显示算法是有效可行的。

基于矩阵的Apriori算法改进

文中介绍了经典Apriori算法的原理、思想和步骤,以及基于矩阵的Apriori算法。针对Apriori算法需要多次扫描数据库和产生大量候选项集的缺点,提出了一种基于矩阵的Apriori算法的改进方法。该方法的不同之处在于矩阵的构建方法,通过对事务数据库的一次整体扫描,把事务数据库中的数据转换成一个上三角矩阵,然后通过访问上三角矩阵中的元素就可直接得到频繁1项集和频繁2项集,再根据经典的Apriori算法,利用频繁2项集得到频繁3项集,依此进行下去。该算法因为有上三角矩阵的引入,故可以适当地减少访问事务数据库的次数,同时还减少了大量候选项集的产生,尤其是二次候选项集,节约了存储空间。实验结果表明,该改进算法是有效的,减少了使用扫描数据库的函数的次数,并且保证了频繁项集的准确性。

结合遗传算法的Apriori算法改进

针对Apriori算法存在效率低、内存损耗大等问题,提出一种基于遗传算法来寻找频繁项集的(GNA)算法。结合Apriori算法和遗传算法的特点,设计 k 步挖掘过程,利用交叉算子产生候选项集和变异算子筛选频繁项集,避免多次扫描数据库的同时,减少冗余。实验结果表明,GNA算法相比Apriori算法,对稀疏数据集或稠密数据集,在挖掘频繁模式的数量及效率上都有显著提高。

基于矩阵约简的Apriori算法改进

Apriori算法在搜索频繁项集过程中,通常需要对数据库进行多次的重复扫描和产生大量无用的候选集,针对此问题提出一种基于矩阵约简的Apriori改进算法。该算法只需扫描一次数据库,将数据库信息转换成布尔矩阵,根据频繁k-项集的性质推出的结论来约简数据结构,有效地降低无效候选项集的生成规模。通过对已有算法的对比,验证该算法能有效地提高挖掘频繁项集的效率。

基于Apriori算法改进的关联规则提取算法

通过对Apriori算法的基本思想和性能的研究分析,认为Apriori算法存在一些不足。并且根据这些不足提出了相应的改进算法对Apriori算法进行优化,从而得到一种改进的Apriori算法,与原算法相比运算效率大大提高。

基于前缀项集的Apriori算法改进

关联规则的挖掘是数据挖掘中一个重要内容,主要目的是找到事务数据库中的有趣的模式。Apriori算法是关联规则挖掘的最经典算法之一,但是它本身存在着效率上的瓶颈。在深入了解Apriori算法前提下,提出基于前缀项集的候选集存储结构,并利用哈希表在快速查找上的优势,大大提高了经典Apriori算法在连接步骤和剪枝步骤中的效率。实验证明改进后的Apriori算法在一定支持度下比经典Apriori算法有着更大的效率优势,并且支持度越小时提升效率越大。

关联规则Apriori算法改进研究与应用

为改进关联规则Apriori算法,首先对数据库中数据存储方法进行了变换,进一步简化为二进制存储并求得了项数最大的频繁项目集,实验研究结果表明,改进后算法效率明显提高,性能得到优化;同时,利用改进后的算法挖掘出学科中联系紧密的知识点潜在的规律,结论运用到教学中去可以有效的提高学科教学质量.本方法同样可以借鉴到其它学科课程或课程群中知识点规律挖掘中去.

Apriori算法改进及其在中药知识发掘中的应用

数据挖掘是伴随着数据库技术的发展而逐步完善起来的,已经在许多领域得到应用,在医学领域的应用虽然刚刚起步,但也表现出良好的发展势头。文章以治疗糖尿病的中药方剂数据为研究样本,将数据挖掘技术与中医药领域相结合,通过对关联规则及其算法的改进,来发现中药配伍的规律,从而提取出使用中药治疗糖尿病的整体用药规律。

关联规则中Apriori算法改进的研究

研究基于大型销售数据库的关联规则挖掘问题,分析和讨论了挖掘关联规则中Apriori算法,对其实现思想进行描述,并针对该算法的缺点提出了2种改进算法。

Apriori算法改进及其在高校网络教学平台的应用

高校网络教学平台大多存在在线课程繁多但组织随意,课程链接排列不合理且缺乏有效依据的问题。根据学习者在网络教学平台的课程访问日志,针对Apriori算法的缺陷和不足,提出改进的关联规则算法,并运用该算法,挖掘学习者频繁访问的在线课程页面集合,即获取学习者对于在线课程间的关联需求,以此作为支撑和依据,对网络教学平台的在线课程进行重组以及在关联的课程间增加链接,可极大优化网站结构,提高网络教学平台的用户体验及网站流量。

数组在apriori算法改进中的应用

Apriori算法是经典的关联规则挖掘算法,该算法存在的一个缺陷就是多次扫描数据库需要大量的IO操作。文章提出了应用数组来减少Apriori算法的IO操作,从而提高Apriori算法的效率。

Apriori算法改进及其在资产管理中的应用

在运用Apriori算法挖掘轨道交通企业资产数据时,针对Apriori算法会产生大量候选集而导致搜索速度降低等问题,构建频繁项生成优化模型,应用数据属性规约方式优化约束关联规则。实验表明,改进后的算法具有更好的时间效率,可适用于海量数据集。

Apriori算法改进研究

Apriori算法作为数据挖掘技术中的经典算法,它在事务数量少的数据库中具有较好性能从而得到了人们的广泛应用,但该算法具有的两个固有缺陷,影响了apriori算法在大数据库中挖掘信息的效率。文中对apriori算法的两个固有缺陷进行改进以便提高apriori算法在大数据库中的挖掘效率。

广义遗传算法在Apriori算法改进中的应用

Apriori算法是关联规则挖掘的经典算法。但在面对海量数据集时,由于过多的磁盘读写操作,使算法的效率大大降低。本文提出了一种将数据集根据处理计算机的内存进行分割,使分割后的每一部分数据集能直接放入内存中,用Apriori算法找到局部的关联规则,再在所有找到的局部关联的基础上,使用遗传算法寻找全局关联规则的方法。由于大大减少了磁盘操作,在处理海量数据集时本方法效率优于传统Apriori算法。

基于选择标准的Apriori算法改进

关联规则挖掘通过发现密切相关项集的方法已经在商业决策中被广泛使用.现针对关联规则挖掘的经典算法Apriori需要重复多次扫描整个数据库导致在空间和时间方面有很大负载的问题,提出了根据研究者所感兴趣的项集作为关联规则的结果,采用对数据库进行类标签压缩来减少迭代次数.通过实验显示该方法可以有效提高Apriori算法的效率.