1、本文對頻繁項集挖掘問題進行了深入的研究和探索，主要研究工作內容和貢獻如下： 1、對頻繁項集挖掘中搜索空間剪枝問題進行深入研究，在認真分析現有的7種搜索空間剪枝策略的基礎上，提出了兩種新的搜索空間剪枝策略：擴展支持度相等性剪枝策略1和擴展支持度相等性剪枝策略2。它們都基于項集的擴展支持度相等性進行搜索空間削減，可用于最大頻繁項集挖掘任務和封閉頻繁項集挖掘任務，對其它剪枝策略無法處理的搜索空間有效地進行剪枝。同時證明了相關的定理和推

2、論，保證了這兩種新的搜索空間剪枝策略的正確性和有效性。 2、進行最大頻繁項集挖掘算法的研究。在詳細分析公認的高效最大頻繁項集挖掘算法——MAFIA算法的基礎上，應用新的搜索空間剪枝策略對MAFIA算法進行優(yōu)化改進，得到效率更高的最大頻繁項集挖掘算法——MAFIA+算法。通過實驗對改進后的算法進行驗證，實驗結果表明，MAFIA+算法在不同的測試數據集上性能都優(yōu)于MAFIA算法，尤其是在擁有大量長的最大頻繁項集的測試數據集上，效率比

3、原有的MAFIA算法提高約3倍。 3、進行封閉頻繁項集挖掘算法的研究。提出一種新的封閉頻繁項集挖掘算法——ECFIMA算法。該算法采用深度優(yōu)先和廣度優(yōu)先相結合的策略訪問搜索空間，使用垂直位圖向量存儲表示項集和事務數據庫，同時利用基本剪枝策略、相等性剪枝策略、擴展支持度相等性剪枝策略1和擴展支持度相等性剪枝策略2進行侯選空間剪枝。采用多種不同特性的測試數據集進行實驗。實驗結果表明，ECFIMA算法是一種高效的封閉頻繁項集挖掘算法，