改进的频繁项集挖掘算法

doi:10.3778/j.issn.1002-8331.2009.04.040

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (4): 143-145.DOI: 10.3778/j.issn.1002-8331.2009.04.040

• 数据库、信号与信息处理 • 上一篇下一篇

改进的频繁项集挖掘算法

朱彦霞¹,张雪萍²,王家耀^1,2

1.河南工业大学信息工程学院，郑州 450001
2.解放军信息工程大学测绘学院，郑州 450052

收稿日期:2008-08-05 修回日期:2008-10-31 出版日期:2009-02-01 发布日期:2009-02-01
通讯作者: 朱彦霞

Improved algorithm for mining frequent item sets

ZHU Yan-xia¹,ZHANG Xue-ping²,WANG Jia-yao^1,2

1.College of Information Science and Engineering，Henan University of Technology，Zhengzhou 450001，China
2.College of Surveying and Mapping，PLA Information Engineering University，Zhengzhou 450052，China

Received:2008-08-05 Revised:2008-10-31 Online:2009-02-01 Published:2009-02-01
Contact: ZHU Yan-xia

摘要/Abstract

摘要： 频繁项集挖掘是数据挖掘中的一个重要研究课题。在分析Apriori算法与FP-growth 算法特点的基础上，提出了一种改进的频繁项集挖掘算法，即索引生成频繁项集算法IGFA。IGFA算法基于Apriori算法并通过 “索引二元组”生成候选集，减免了候选集的大量冗余，实验及结果分析表明该算法有效提高了频繁项集的挖掘效率。

关键词: 数据挖掘, 关联规则, 频繁项集, 索引二元数组

Abstract: Mining frequent itemsets is an important research topic in Data Mining.This paper discussed the characteristics of Apriori algorithm and FP-growth algorithm and proposed an improved algorithm IGFA（Index-binary array Generate Frequent itemsets Algorithm） based on Apriori algorithm.The number of candidates can be reduced greatly by using an index array which based on the binary group.Analysis and experiments show that mining frequent itemsets by IGFA have been proved efficiently.

Key words: data mining, association rule, frequent itemsets, indexed binary array

朱彦霞¹,张雪萍²,王家耀^1,2. 改进的频繁项集挖掘算法[J]. 计算机工程与应用, 2009, 45(4): 143-145.

ZHU Yan-xia¹,ZHANG Xue-ping²,WANG Jia-yao^1,2. Improved algorithm for mining frequent item sets[J]. Computer Engineering and Applications, 2009, 45(4): 143-145.

[1]	宗晓萍，陶泽泽. 基于掌握速度的知识追踪模型[J]. 计算机工程与应用, 2021, 57(6): 117-123.
[2]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[3]	马洋，赵旭俊. 基于相关子空间的多源离群检测算法[J]. 计算机工程与应用, 2021, 57(17): 88-95.
[4]	张念蓬，吴旭，朱强. 基于熵的过采样框架[J]. 计算机工程与应用, 2021, 57(13): 96-101.
[5]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[6]	张振海，张湘婷. 上下文感知的高铁信息服务推荐方法研究[J]. 计算机工程与应用, 2021, 57(12): 231-236.
[7]	饶加旺，马荣华. 改进核密度估计的空间点密度算法[J]. 计算机工程与应用, 2021, 57(11): 260-265.
[8]	杨葛英，沈夏炯，史先进，张磊. 以概念格为背景的关联规则可视化[J]. 计算机工程与应用, 2021, 57(1): 84-91.
[9]	王杰，陈志刚，刘加玲，程宏兵. 基于聚类的云隐私行为挖掘技术[J]. 计算机工程与应用, 2020, 56(5): 80-84.
[10]	王子龙，李进，宋亚飞. 基于距离和权重改进的K-means算法[J]. 计算机工程与应用, 2020, 56(23): 87-94.
[11]	纪文璐，王海龙，苏贵斌，柳林. 基于关联规则算法的推荐方法研究综述[J]. 计算机工程与应用, 2020, 56(22): 33-41.
[12]	衣俊艳，吴博雅，雍巧玲. 具有加权特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(22): 55-65.
[13]	顾军华，苏鸣，张亚娟，张丹红. 基于位编码链表的快速频繁模式挖掘算法研究[J]. 计算机工程与应用, 2020, 56(19): 86-93.
[14]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[15]	刘莉萍1，章新友1，牛晓录2，郭永坤1，丁亮1. 基于Spark的并行关联规则挖掘算法研究综述[J]. 计算机工程与应用, 2019, 55(9): 1-9.

改进的频繁项集挖掘算法

Improved algorithm for mining frequent item sets

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics