基于Apriori算法的关联规则挖掘系统的设计与实现

摘??? 要 随着信息时代的发展，信息量呈几何级数增长，人们发现从这些海量信息中获取有用的信息越来越困难，要找出信息背后隐藏的规律更是不可想象。数据挖掘就是从大量数据中获取有用信息的一门新技术，关联规则挖掘是数据挖掘方法中的一种。本文详细论述了基于Apriori算法的关联规则挖掘系统的设计开发过程。系统基于经典的Apriori算法，对事务数据库进行了位图矩阵转换，大大提高了搜索效率，并能分别挖掘频繁项集和关联规则。 论文组织如下：首先介绍了数据挖掘的产生、定义和应用；接着阐述了关联规则挖掘的基本概念；然后对系统的需求进行了分析，并提出设计方案；紧接着是系统的具体实现；最后对系统进行了测试，将系统用于挖掘中药方剂库中的药对药组，验证了系统的正确性和实用性。 关键词：数据挖掘；关联规则；Apriori算法 Apriori经典算法 下面介绍形式最简单的关联规则挖掘方法。这种关联规则是单维、单层、布尔关联规则，如前面讨论的购物篮分析。 关联规则的挖掘分两步： 1) 找出所有频繁项集：根据定义，这些项集出现的频繁性至少和预定义的最小支持计数一样。 2) 由频繁项集产生强关联规则：根据定义，这些规则必须满足最小支持度和最小置信度。 也可以使用附加的兴趣度度量。这两步中，第二步最容易。挖掘关联规则的总体性能由第一步决定。 Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。算法的名字基于频繁项集性质的先验知识，正如我们将看到的。Apriori使用逐层搜索的迭代方法，k-项集用于探索(k+1)-项集。首先，找出频繁1-项集的集合。该集合记作L1。L1用于找频繁2-项集的集合L2，而L2用于找L3，如此下去，直到不能找到频繁 k-项集。找每个Lk需要一次数据库扫描。 为提高频繁项集逐层产生的效率，一种称作Apriori性质的重要性质用于压缩搜索空间。我们先介绍该性质，然后用一个例子解释它的使用。 Apriori性质：频繁项集的所有非空子集都必须也是频繁的。Apriori性质基于如下观察：根据定义，如果项集I不满足最小支持度阈值min_sup，则I不是频繁的，即P(I)