李艷

摘 要：經(jīng)濟(jì)的發(fā)展帶動(dòng)了信息技術(shù)的發(fā)展，數(shù)據(jù)挖掘技術(shù)的應(yīng)用愈加廣泛，無(wú)論是生產(chǎn)還是生活都離不開這一技術(shù)的支持。關(guān)聯(lián)規(guī)則算法是數(shù)據(jù)挖掘技術(shù)中應(yīng)用最為活躍的一種算法，能夠有效處理規(guī)模較大的信息與數(shù)據(jù)，并在數(shù)據(jù)庫(kù)中挖掘價(jià)值較高的信息。文章將對(duì)數(shù)據(jù)挖掘技術(shù)的內(nèi)容與表現(xiàn)進(jìn)行闡述，分析關(guān)聯(lián)規(guī)則算法的含義與相關(guān)內(nèi)容，最后對(duì)關(guān)聯(lián)規(guī)則算法中的Apriori算法進(jìn)行探究與討論。

關(guān)鍵詞：數(shù)據(jù)挖掘；關(guān)聯(lián)規(guī)則算法；相關(guān)問題；研究

中圖分類號(hào)：G250.74 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2017）33-0161-02

互聯(lián)網(wǎng)上涵蓋的信息數(shù)量是巨大的，且信息的數(shù)量與規(guī)模呈現(xiàn)出了明顯的上升趨勢(shì)，如何在海量的數(shù)據(jù)中找到有用的信息是人們需要重點(diǎn)思考的問題。傳統(tǒng)的數(shù)據(jù)搜索方法作用有限，只能將表層信息收集起來(lái)，但是深層次的信息卻無(wú)法被挖掘出來(lái)，這對(duì)信息的有效應(yīng)用來(lái)說是極為不利的。為了提高數(shù)據(jù)的適應(yīng)價(jià)值，數(shù)據(jù)挖掘技術(shù)產(chǎn)生并得到廣泛應(yīng)用。關(guān)聯(lián)規(guī)則算法在數(shù)據(jù)挖掘方面顯現(xiàn)出了極大的優(yōu)勢(shì)，對(duì)此展開探究有著重要的現(xiàn)實(shí)意義。

1 數(shù)據(jù)挖掘技術(shù)的內(nèi)容與表現(xiàn)

1.1 內(nèi)容

數(shù)據(jù)挖掘技術(shù)屬于重要的信息處理技術(shù)，其商業(yè)價(jià)值極為明顯，在該技術(shù)的幫助下，人們對(duì)技術(shù)的獲取與了解將會(huì)從聯(lián)機(jī)查詢這種較為低層次的方式轉(zhuǎn)化為較高層次的數(shù)據(jù)對(duì)策支持分析預(yù)測(cè)。根據(jù)知識(shí)類型的差異，數(shù)據(jù)挖掘技術(shù)可以分為：關(guān)聯(lián)范圍、預(yù)測(cè)范圍、差異范圍、廣義范圍這幾種。使用較為廣泛的數(shù)據(jù)挖掘方法有數(shù)據(jù)分析法、數(shù)據(jù)集成法、證據(jù)理論法、近似推理法以及元模式法等。而從對(duì)象的角度來(lái)分析，數(shù)據(jù)挖掘技術(shù)可以分為以下幾類，即時(shí)態(tài)數(shù)據(jù)庫(kù)、空間數(shù)據(jù)庫(kù)、多媒體數(shù)據(jù)庫(kù)、異質(zhì)數(shù)據(jù)庫(kù)、遺產(chǎn)數(shù)據(jù)庫(kù)以及文本數(shù)據(jù)庫(kù)等。

1.2 主要表現(xiàn)

數(shù)據(jù)挖掘技術(shù)的主要表現(xiàn)有四種，第一是規(guī)則歸納，即統(tǒng)計(jì)數(shù)據(jù)，在這個(gè)過程中系統(tǒng)會(huì)對(duì)數(shù)據(jù)項(xiàng)中的某些屬性以及集合予以反映，AQ算法就是歸納算法的一種，利用數(shù)據(jù)挖掘技術(shù)，人們可以找出數(shù)據(jù)庫(kù)中潛藏的某些位置信息。第二是支持向量機(jī)，它是一種結(jié)構(gòu)風(fēng)險(xiǎn)，其建立基礎(chǔ)為數(shù)學(xué)理論，在應(yīng)用時(shí)，它會(huì)利用處于高空多維空間的超平面隔離開兩類不同的數(shù)據(jù)，以便于將最小分類錯(cuò)誤率降到最低，顯性問題是其顯著的優(yōu)勢(shì)。第三是模糊集，在處理數(shù)據(jù)時(shí)，模糊集表現(xiàn)為兩點(diǎn)，一是不完整數(shù)據(jù)，二是不確定數(shù)據(jù)，其針對(duì)性不強(qiáng)，應(yīng)用模糊集對(duì)數(shù)據(jù)進(jìn)行處理能夠提高處理的簡(jiǎn)便性與有效性。第四是統(tǒng)計(jì)方法，即統(tǒng)計(jì)并分析事物數(shù)量，這樣能夠及時(shí)找出其中的規(guī)律，當(dāng)發(fā)現(xiàn)數(shù)據(jù)線索后，就可以以此為基礎(chǔ)展開假設(shè)，分析可行性，統(tǒng)計(jì)方法的優(yōu)點(diǎn)在于精確性高。

2 關(guān)聯(lián)規(guī)則算法的含義與相關(guān)問題

數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則算法即指在數(shù)據(jù)集中找到相關(guān)關(guān)系或者特殊的關(guān)聯(lián)，找到頻繁項(xiàng)集（出現(xiàn)頻率較高的屬性值

集），然后再依據(jù)頻繁項(xiàng)集將關(guān)聯(lián)規(guī)則描述出來(lái)的整個(gè)過程。其中涉及到的數(shù)據(jù)集具有較大的規(guī)模，涵蓋的數(shù)據(jù)信息、屬性較多，具有尋找的價(jià)值。在關(guān)聯(lián)規(guī)則算法中，規(guī)則興趣度的度量依據(jù)為置信度與支持度，這兩個(gè)度量依據(jù)能夠?qū)σ?guī)則所具有的簡(jiǎn)潔性、新穎性、確定性以及有用性予以準(zhǔn)確的反映。在實(shí)際應(yīng)用的過程中，信任度與支持度的門限通常用最小支持度與最小置信度來(lái)表示。數(shù)據(jù)挖掘中關(guān)聯(lián)規(guī)則算法的相關(guān)問題可以歸納為兩點(diǎn)，首先，要將不小于用戶指定的支持度最小的存在于事務(wù)數(shù)據(jù)庫(kù)中的數(shù)據(jù)項(xiàng)集全部找出，即找出強(qiáng)項(xiàng)集。其次，要對(duì)最大數(shù)據(jù)項(xiàng)對(duì)應(yīng)的關(guān)聯(lián)規(guī)則予以利用，以用戶所指定的置信度規(guī)則最小值的取舍情況為依據(jù)，獲得最終需要的強(qiáng)關(guān)聯(lián)規(guī)則。

3 Apriori算法研究

3.1 基本操作步驟

Apriori算法為關(guān)聯(lián)規(guī)則中的經(jīng)典算法，具有重要的研究意義。Apriori算法認(rèn)為若M屬于頻繁項(xiàng)目集，則M中包含的子集都在其中；相反，如果M不是頻繁項(xiàng)目集，那么M的全部超集都在其中。為了將所有的頻繁項(xiàng)集都找出來(lái)，Apriori算法會(huì)應(yīng)用逐層迭代法搜集相關(guān)內(nèi)容，即逐層掃描各集合。其具體操作步驟如下：首先要全面了解用戶的實(shí)際需求，然后依次為依據(jù)確定最小支持度與最小置信度，并逐步找出頻繁相；其次要將最小支持度作為操作的參考依據(jù)，如候選集規(guī)模較大，那么就可以將其作為頻繁項(xiàng)集合中的某一個(gè)項(xiàng)，當(dāng)反復(fù)掃描頻繁項(xiàng)集后，所需要的數(shù)據(jù)就可以被準(zhǔn)確的挖掘出來(lái)。然后就可以根據(jù)實(shí)際情況執(zhí)行算法，要先將數(shù)據(jù)項(xiàng)完整的錄入到數(shù)據(jù)庫(kù)當(dāng)中，繼而將關(guān)鍵項(xiàng)挖掘出來(lái)，再將集合與候選2項(xiàng)有效結(jié)合到一起。此時(shí)再次掃描數(shù)據(jù)庫(kù)，并重復(fù)上述操作，最終挖掘出最高層次的頻繁項(xiàng)集，使數(shù)據(jù)得到有效優(yōu)化。

3.2 局限性

雖然在以往的應(yīng)用過程中，Apriori算法顯現(xiàn)出了較為明顯的優(yōu)勢(shì)，如應(yīng)用便捷、結(jié)構(gòu)簡(jiǎn)單等，但是在實(shí)際執(zhí)行的過程中，Apriori算法仍然具有局限性。首先雖然其推導(dǎo)過程相對(duì)簡(jiǎn)便，但是卻具有較高的重復(fù)率，系統(tǒng)需要多次掃描數(shù)據(jù)庫(kù)，且每次都需要全面搜索候選項(xiàng)集，當(dāng)產(chǎn)生最小置信度與最小支持度后，若頻繁項(xiàng)集對(duì)應(yīng)的最大程度為M，那么掃描的次數(shù)則為K。在此情況下，如果事務(wù)數(shù)據(jù)庫(kù)的規(guī)模較大，那么掃描的次數(shù)會(huì)相應(yīng)增多，而工作效率則會(huì)極大的下降。其次，Apriori算法采取逐層迭代法搜索，雖然可以適時(shí)對(duì)步驟進(jìn)行必要的優(yōu)化，刪減了部分候選項(xiàng)集，但是中間項(xiàng)集的數(shù)量仍然極大，算法效率相對(duì)較低。最后，從理論方面來(lái)看，當(dāng)頻繁項(xiàng)集增加長(zhǎng)度后，相關(guān)的支持事務(wù)會(huì)明顯的減少，而計(jì)算時(shí)間不會(huì)發(fā)生變化；但是從實(shí)際來(lái)看，事務(wù)開銷會(huì)明顯的增加，此時(shí)運(yùn)算時(shí)間必然會(huì)提升。

3.3 優(yōu)化方法

Apriori算法的優(yōu)化方法有三種，第一是應(yīng)用Partition算法中的數(shù)據(jù)分割法，由于Apriori算法的掃描過程繁瑣，次數(shù)較多，此時(shí)為了提高工作效率就可以應(yīng)用數(shù)據(jù)分割法進(jìn)行操作，在邏輯的基礎(chǔ)上將數(shù)據(jù)庫(kù)合理分割成不相交的模塊，在此情況下，系統(tǒng)就能夠分別掃描各個(gè)模塊，然后生產(chǎn)對(duì)應(yīng)的頻集，在計(jì)算時(shí)再將各個(gè)分散的頻集合并到一起，最終挖掘出有效的頻集；第二是應(yīng)用Sampling算法中的采樣技術(shù)，組合分析掃描獲得的數(shù)據(jù)庫(kù)信息，這項(xiàng)工作的工作量是極為巨大的，而在第一次掃描的過程中，系統(tǒng)能夠?qū)ο嚓P(guān)規(guī)則予以總結(jié)，繼而在第二次掃描中直接采樣，在反復(fù)掃描與總結(jié)的過程中，算法可以得到必要的改進(jìn)，如果采樣中獲得的規(guī)律是合理的，其余的掃描過程就可以得到簡(jiǎn)化；第三是利用DHP算法刪減候選項(xiàng)集，這能夠有效提升系統(tǒng)的運(yùn)行效率，并降低計(jì)算的成本投入。

3.4 改進(jìn)措施

要對(duì)Apriori算法進(jìn)行簡(jiǎn)化，減少掃描的次數(shù)，使系統(tǒng)通過一次掃描就可以找到項(xiàng)目頻集，讓LK-1自鏈接對(duì)應(yīng)的項(xiàng)集CK在數(shù)據(jù)庫(kù)中生成，在簡(jiǎn)化的過程中要關(guān)注支持度的變化，將比最小支持度還小的項(xiàng)集刪減掉，提升算法的實(shí)際效率。在性能改進(jìn)方面，算法的計(jì)算量能夠極大的降低，第一次掃描中就可以產(chǎn)生候選項(xiàng)集，然后統(tǒng)計(jì)相應(yīng)事務(wù)，計(jì)算時(shí)間將有效縮短。

4 結(jié)束語(yǔ)

Apriori算法是數(shù)據(jù)挖掘關(guān)聯(lián)規(guī)則算法中應(yīng)用最為廣泛的一種算法，其應(yīng)用優(yōu)勢(shì)較為明顯，能夠幫助用戶深入挖掘信息價(jià)值，并簡(jiǎn)化推導(dǎo)過程。但是Apriori算法也存在一定的不足與局限，在使用的過程中應(yīng)當(dāng)對(duì)其進(jìn)行必要的優(yōu)化與改進(jìn)。

參考文獻(xiàn)：

[1]李仕瓊.數(shù)據(jù)挖掘中關(guān)聯(lián)規(guī)則挖掘算法的分析研究[J].電子技術(shù)與軟件工程，2015（04）.

[2]楊帆，杜瑋，陳經(jīng)優(yōu).數(shù)據(jù)挖掘中關(guān)聯(lián)規(guī)則算法的研究[J].電子技術(shù)與軟件工程，2014（21）.

[3]楊澤民.數(shù)據(jù)挖掘中關(guān)聯(lián)規(guī)則算法的研究[J].軟件，2013（11）.

[4]楊艷，韓衛(wèi)媛，李文成.改進(jìn)的關(guān)聯(lián)規(guī)則算法在數(shù)據(jù)挖掘中的探討[J].制造業(yè)自動(dòng)化，2012（12）.

[5]蘆海燕.數(shù)據(jù)挖掘中關(guān)聯(lián)規(guī)則算法的研究[J].電腦知識(shí)與技術(shù)，2011（26）.endprint