English
A method to optimize apriori algorithm for frequent items mining
文件大小：
556k
资源说明：本文研究了频繁项集挖掘中的基本问题，并提出了改进的Apriori算法。Apriori算法是一种在数据挖掘中广泛使用的算法，主要用于关联规则的挖掘。它通过发现数据库中频繁出现的项集，来挖掘出物品之间的关联性。然而，Apriori算法存在固有的缺陷，如多次扫描数据库，以及在确定候选项集的频繁性时计算量大。本文基于这些问题，提出了优化策略，以提高算法的效率。
文章提到了避免多次扫描数据库的数据库映射方法。这是通过对数据库进行预处理，将数据映射到内存中，以减少重复的读取操作，从而加快了整个挖掘过程。文章强调了利用Apriori算法的先验知识，即在确定候选频繁项集的支持度之后，可以根据已有的频繁项集的元素，判断某些候选项集必然不是频繁的，从而避免不必要的连接操作。这种优化的连接步骤大大减少了候选项集生成的数量和后续计算的复杂度。
此外，为了弥补Apriori算法在与候选项集和事务模式匹配时耗时较长的缺点，引入了交集操作。交集操作可以快速过滤掉不符合频繁模式的项集，从而减少匹配所需的时间。通过这些改进策略，作者提出了一种优化的Apriori算法，并在理论层面上解释了其优势。
为了验证优化算法的有效性，作者将优化后的算法应用于浮动车数据（Floating Car Data）。浮动车数据是一种特定的数据类型，由移动车辆收集，常用于交通监控和路线规划等领域。实验结果表明，在不同支持度和置信度级别下，优化后的算法具有更短的执行时间和更高的效率。
数据挖掘是一种从原始数据中提取知识的过程，其关注点是数据的特定形式。在数据挖掘中，数据是核心，因为知识是通过从这些数据中提取有用信息而获得的。关联规则挖掘是数据挖掘的一个重要领域，它研究如何从大量数据中发现项之间的有趣关系，这些关系包括频繁项集、关联规则、序列模式等。
本篇研究论文发表在2014年的国际会议上，作者们来自中国重庆大学的不同实验室，这些实验室主要关注可靠服务计算、自动化以及电力传输设备和系统安全等研究方向。这些研究机构的协作，以及作者们所使用的邮箱地址，反映了他们的研究背景和联系方式。
本篇论文深入研究了Apriori算法在频繁项集挖掘中的应用及其优化策略，通过理论分析和实验验证了优化方法的有效性，特别是在处理具有特定数据结构的浮车辆数据时。这不仅对于数据挖掘领域的研究者有帮助，对于从事实际数据挖掘工作的专业人士也有指导意义。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
