1、近年伴隨著數(shù)據(jù)量的急劇增長，數(shù)據(jù)挖掘己經(jīng)成為人工智能、模式識別等領域的研究熱點，已經(jīng)越來越引起人們重視。其中，關聯(lián)規(guī)則是數(shù)據(jù)挖掘中最活越的研究方向之一。本文對數(shù)據(jù)挖掘技術，尤其是關聯(lián)規(guī)則挖掘及其應用進行了系統(tǒng)學習和分析研究，主要包括以下內(nèi)容： 1．Apriori改進算法的設計和分析。對現(xiàn)有關聯(lián)規(guī)則挖掘文獻進行調(diào)研，特別是對經(jīng)典的關聯(lián)規(guī)則挖掘算法Apriori算法及其各種優(yōu)化改進技術進行了廣泛研究。在此基礎上，提出了命名為Apri

2、ori-B的改進算法，該算法主要考慮Apriori算法中頻繁項目集生成的瓶頸問題，通過減少事務數(shù)據(jù)庫掃描次數(shù)、壓縮進一步迭代掃描事務數(shù)的方法對Apriori算法進行改進。我們通過實例，給出了采用Apriori-B算法進行關聯(lián)規(guī)則挖掘，發(fā)現(xiàn)頻繁項集的過程。通過與Apriori算法的對比性實驗，對Apriori-B算法的性能進行了分析。 2．關聯(lián)規(guī)則有效性的研究。為了挖掘真實有效的關聯(lián)規(guī)則，目前常用的衡量標準是關聯(lián)規(guī)則的支持度和置信

3、度。如果按現(xiàn)有標準來生成關聯(lián)規(guī)則，可能會發(fā)現(xiàn)大量冗余的、虛假的關聯(lián)規(guī)則。為了減少關聯(lián)規(guī)則挖掘中無效關聯(lián)規(guī)則，我們提出了三種改進方法，即在關聯(lián)規(guī)則的衡量標準中增加興趣度、有效度或綜合評定度標準，并分別定義了這三種度量。根據(jù)興趣度、有效度或綜合評定度的大小，我們將強關聯(lián)規(guī)則分為正關聯(lián)規(guī)則、無效關聯(lián)規(guī)則和負關聯(lián)規(guī)則。一般來說只有正關聯(lián)規(guī)則才是有效的關聯(lián)規(guī)則，有時它們只占強關聯(lián)規(guī)則總數(shù)的一小部分。最后，我們提供了基于新衡量標準進行關聯(lián)規(guī)則挖掘的