基于频繁项集的互补替代关系挖掘算法_柴玉梅

格式：pdf
大小：498.19 KB
文档页数：9

下载文档原格式

基于频繁模式树的关联分类规则挖掘算法

基于频繁模式树的关联分类规则挖掘算法
朱玉全;宋余庆;杨鹤标;陈健美
【期刊名称】《江苏大学学报（自然科学版）》
【年(卷),期】2006(027)003
【摘要】构建精确而有效的分类器是数据挖掘和机器学习中的一个重要任务.提出了一种基于频繁模式树的关联分类规则挖掘算法,该算法同时考虑所有属性,并对现有关联分类规则挖掘算法中内存要求高、类别属性处理难、I/O访问次数多等问题提出了相应的解决方案.试验结果表明,该方法可以取得比同样基于关联规则的分类算法CMAR更高的执行效率以及基于规则的决策树分类算法C4.5更好的分类效果.
【总页数】4页(P262-265)
【作者】朱玉全;宋余庆;杨鹤标;陈健美
【作者单位】江苏大学,计算机科学与通信工程学院,江苏,镇江,212013;江苏大学,计算机科学与通信工程学院,江苏,镇江,212013;江苏大学,计算机科学与通信工程学院,江苏,镇江,212013;江苏大学,计算机科学与通信工程学院,江苏,镇江,212013
【正文语种】中文
【中图分类】TP311
【相关文献】
1.基于层次频繁模式树的关联分类规则数据挖掘算法 [J], 杜永生
2.一种基于频繁模式树的正负关联规则挖掘算法 [J], 屈百达;陈莉平
3.基于频繁模式树的负关联规则挖掘算法 [J], 朱玉全;孙蕾;杨鹤标;宋余庆
4.基于垂直频繁模式树带有负载均衡的分布关联规则挖掘算法 [J], 冯勇;尹洁娜;徐红艳
5.基于频繁模式树的一种关联规则挖掘算法及其在铁路隧道安全管理中的应用 [J], 徐维祥;苏晓军
因版权原因，仅展示原文概要，查看原文内容请购买。

基于FSG的最大频繁子图挖掘算法

基于FSG的最大频繁子图挖掘算法
郭景峰;柴然;张伟
【期刊名称】《计算机应用研究》
【年(卷),期】2010(027)009
【摘要】图挖掘已成为数据挖掘领域研究的热点,然而挖掘全部频繁子图很困难且得到的频繁子图过多,影响结果的理解和应用.可通过挖掘最大频繁子图来解决挖掘结果数量巨大的问题,最大频繁子图挖掘得到的结果数量很少且不丢失信息,节省了空间和以后的分析工作.基于算法FSG提出了最大频繁子图挖掘算法FSG-MaxGraph;结合节点的度、标记及邻接列表来计算规范编码,提出两个定理来减少子图同构判断的次数,并应用改进后的决策树来计算支持度.实验证明,新算法解决了挖掘结果太多理解困难的问题,且提高了挖掘效率.
【总页数】4页(P3303-3306)
【作者】郭景峰;柴然;张伟
【作者单位】燕山大学,信息与工程学院,河北,秦皇岛,066004;燕山大学,信息与工程学院,河北,秦皇岛,066004;燕山大学,信息与工程学院,河北,秦皇岛,066004
【正文语种】中文
【中图分类】TP311
【相关文献】
1.最大频繁子图挖掘算法研究 [J], 李继腾;骆志刚;丁凡;田文颖;赵琦
2.加权最大频繁子图挖掘算法的研究 [J], 王映龙;杨珺;周法国;唐建军
3.改进的最大频繁子图挖掘算法 [J], 柴然;郭彦颖
4.最大频繁子图挖掘算法DMFS [J], 柴然;刘媛媛;郭彦颖
5.一种基于极大完全子图的最大频繁项集并行挖掘算法 [J], 杨仕博;贺彦琨;马志新因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于局部重构树的改进频繁子图挖掘算法

一
是一种高效的经典算法，然而两遍数据库扫描不
能适应数据流的无限性和流动性的特点。为了克
服该局限性，需要设计一种有效的全局数据结构，通过一次扫描就能包含所有数据库信息。笔者提出了一种新的一次扫描前缀树结构，称为局部重构ＯＰＦ。该结构是一种类似于ＦＰ—
根，路径上所有能与Ｏ连通的节点或者能与Ｏ连Ｌｔ通的节点将构成Ｏ条件图库中的一个图。这样Ｌ可以剔除那些既不与连通，不与Ｏ连通的又ｌ点。也可以避免同时考虑与连通的边和与
含一个点的频繁图集的标号顶点表，笔者引入了
为［Ｉ］其中ｔＴｔ，为第一个元素，为剩余元素而
的表，递归调用Ｉｅ —ｒｅ（Ｉ，ｒ）ｎｒｔＴｅ函数实现ｓｔｅＴｅ将元组对应的信息加入到Ｔｅｒｅ中，成树的完
Ｄｅ２１ｃ．０１
文章编号：０７—１４２１）６— ８４— ４１０４Ｘ（０１００６０
文献标志码：Ａ
一
种基于局部重构树的改进频繁子图挖掘算法
蒋廷耀，廖强
（三峡大学计算机与信息学院，湖北宜昌４３０）４０２
关键词：频繁子图；图挖掘；ｓ表；Ｐ—ｔｅＨａｈＦｒｅ
中图分类号：Ｐ９Ｔ３１ＤＩ１．９３ｊｉｎ１０Ｏ：０３６／．ｓ．０７—１４２１．６Ｏ４ｓ４Ｘ．０１０．０

基于频繁概念直乘分布的全局闭频繁项集挖掘算法

关键词
Ｉｅｅｇ概念格；布式数据挖掘；置集成；ｃｂｒ分并异构数据库；频繁项集闭
ＴＰ１３１Ｄ号：０３２／ＰＪ１１．０２０９０ＯＩ１．７４Ｓ．．０６２１．０９
中图法分类号
（州大学信息工程学院郑郑州４００）５０１
摘
要
基于概念格的集中式数据挖掘算法，能充分地利用分布式计算资源来改善概念格构造效率，而影响不从
了挖掘算法的性能．中进一步分析了Ｉｂｒ念格并置集成的内在并行特性；频繁概念直乘及其下覆盖为最文ｃｅｇ概ｅ以
Ａｂｔａｔｓｒｃ
Ｗｉｈｎｃｅｓｎｇｉｔｉｅｏｐｉｎｒｎｅｔｐｉｄｘｅｉｌｔｉｒａｉｄｓｒｂｕｔｄｃｍｕｔｎｇｅｖｉｏｍｎａｐｌｅｅｔｎｓｖｅｙ，ｔａｉｉａｒｄｔｏｎｌ
小粒度，Ｉｅｅｇ概念格并置集成过程进行分解和分布式计算；对其正确性理论证明的基础上，出了一个新对ｃｂｒ在提
颖的异构分布式环境下闭频繁项集全局挖掘算法．算法利用Ｉｅｅｇ概念格的半格以及可并置集成特性，分发此ｃｂｒ充挥了分布式环境下计算资源的优势．实验证明，稠密数据集和稀疏数据集上，挖掘算法都表现出较好的性能．在该

一种高效的最大频繁项集挖掘算法DFMFI-Miner

一种高效的最大频繁项集挖掘算法DFMFI-Miner
陈慧萍;王建东;王煜
【期刊名称】《计算机仿真》
【年(卷),期】2006(023)007
【摘要】分析最大频繁项集和完全频繁项集的关系,提出了一个挖掘最大频繁项集的高效算法DFMFIMiner(The Miner Based on Depth-First Searching for Mining Maximal Frequent Itemsets),采用深度优先方法搜索项集空间,采用垂直位图及一定的压缩方法对表示事务数据库并进行约简,并采用多种有效剪枝策略和优化策略,提高了算法的效率.在多个数据集上进行了实验,实验结果表明该算法特别适于挖掘具有长频繁项集的数据集.
【总页数】5页(P79-83)
【作者】陈慧萍;王建东;王煜
【作者单位】南京航空航天大学信息科学与技术学院,江苏,南京,210016;河海大学计算机及信息工程学院,江苏,常州,213022;南京航空航天大学信息科学与技术学院,江苏,南京,210016;河海大学计算机及信息工程学院,江苏,常州,213022
【正文语种】中文
【中图分类】TP311
【相关文献】
1.一种基于M-Bisearch的最大频繁项集挖掘算法研究 [J], 李宝林;周坤;李仕伟
2.一种改进的数据流最大频繁项集挖掘算法 [J], 胡健;吴毛毛
3.基于改进FP-Tree的最大频繁项集高效挖掘算法 [J], 纪怀猛
4.一种基于M-Bisearch的最大频繁项集挖掘算法研究 [J], 李宝林;周坤;李仕伟;
5.一种基于邻接表的最大频繁项集挖掘算法 [J], 殷茗;王文杰;张煊宇;姜继娇因版权原因，仅展示原文概要，查看原文内容请购买。

基于同层节点集划分的模糊概念格并行构造算法

基于同层节点集划分的模糊概念格并行构造算法孙佳;柴玉梅【摘要】形式概念分析理论在诸多计算机领域得到广泛应用.模糊概念格的构造仍是其在应用过程中的一个主要问题.为提高模糊概念格的构造效率,对串行算法进行并行化改造,提出模糊概念格的并行构造算法.该算法对节点进行层次划分,给出了同层节点的定义,得出同层节点构造任务相互独立的重要性质,并引入映射函数简化搜索空间的遍历,提高搜索模糊概念格的效率,并行构造模糊概念格,达到了提高构造效率的目的.实验表明该算法在面对大规模的构造任务时,具有良好的性能.【期刊名称】《计算机应用与软件》【年(卷),期】2016(033)007【总页数】6页(P261-265,286)【关键词】模糊概念格构造;模糊集;节点分层;并行算法【作者】孙佳;柴玉梅【作者单位】郑州大学信息工程学院河南郑州450001;郑州大学信息工程学院河南郑州450001【正文语种】中文【中图分类】TP311形式概念分析FCA(Formal Concept Analysis)由德国学者Wille提出的一种基于形式背景表示形式概念的模型，即概念格[1]。

这种概念层次结构是数据分析及规则提取的有效工具，已被广泛应用于文本处理，知识表达，知识挖掘，专家系统等领域[2-6]。

但是在许多应用中，大多数信息都是模糊的、复杂的，传统的形式概念分析很难表达这些模糊的、不确定的信息。

为解决这个问题，Burusco等人提出了L-模糊形式背景[7]，并将Zadeh的模糊集合理论与形式概念分析相结合，构造模糊形式概念分析FFCA(Fuzzy formal concept analysis)，这一新研究领域[7,8]。

在L-模糊形式背景规模较大时，从L-模糊形式背景构造模糊概念格通常会引起组合爆炸，模糊概念格的构造效率是其在应用过程中的一个主要问题。

对基本算法的并行化改造被用来作为提高构造效率的有效途径，多名研究人员通过这种方法取得了并行构造算法的研究成果。

基于FP树的极大频繁项集的挖掘方法

基于FP树的极大频繁项集的挖掘方法石芹芹【摘要】Proposes an algorithm for mining maximum frequent itemsets based on frequent pattern tree. The algorithm is an algorithm in the process of building FP-tree by pruning children-set and storing maximum frequent itemsets, thereby saves time mining again FP-tree than exist-ing algorithms during mining Maximum frequent itemsets. It is a new algorithm to search association rules.%提出一种基于FP树的极大频繁项集的挖掘算法，该算法在构建FP树的过程中，通过子项集剪枝的方法，将挖掘到的极大频繁项集存储起来，从而节省再次挖掘FP树的时间，较已有的算法在挖掘极大频繁项集时简化挖掘过程。

该算法的提出，为关联规则的精简提供新的解决办法。

【期刊名称】《现代计算机（专业版）》【年(卷),期】2015(000)024【总页数】4页(P7-10)【关键词】极大频繁项集;FP树;关联规则【作者】石芹芹【作者单位】四川大学计算机学院，成都 610065【正文语种】中文数据挖掘是20世纪90年代兴起的一项新技术，是知识发现的关键步骤。

数据挖掘是多门学科和多门技术相结合的产物，是指从数据库中抽取隐含的、潜在的、先前未知的、有用的信息（如知识、规则、约束和规律等）的一个非平凡过程［1］。

其中挖掘关联规则是一个非常重要的研究内容，而挖掘频繁项集是研究关联规则的基本和关键步骤。

频繁项集导致发现大型事务或关系数据集中项之间有趣的关联或相关性，发现的这些相关联系，可以为分类设计、交叉销售和顾客购买习惯分析等许多商务决策过程提供帮助，故受到业界人士的青睐。

一种基于计数的数据流频繁项挖掘算法的改进

挖掘等。本文在ＳｐａｃｅＳａｖｉｎｇ算法基础上，提出维护两个样本的错误判断并一定程度上提高算法的效率。更新操作用来根据阈值更新并维护样本集内的数据，描述输入：数据流Ｄｓ输出：样本集ｓ，ｓ，
集的思路以期挖掘出的Ｔｏｐ — Ｋ频繁项集的结果能减少对数据项如下：
Hale Waihona Puke 器ｆ．最小的一项
（４）ＥＬＳＥａｉ保留在ｓ！（５）ＥＬＳＥＩＦａｉ在ｓ２中；ｄｆ对应的计数器ｆｉ＋＋（６）ＩＦｆｉ＞ｍ将ｆ移入ｓ！中，并删除ｓ２中ｄｆ（７）ＥＬＳＥａｉ保留在ｓ，（８）ＥＬＳＥＩＦｓ，不满；将＜ａ，ｆ＞￣ｕＮｓ２￣
时间序列分析。频数统计包括在单个或多个数据流上提取出现入ｓ，进行下一轮计数，当随着计数小于ｍ时，则从Ｓ２将对应的数
频率超过指定阈值的频繁项或者项集，是研究的重点。频数统据退回到ｓ中。
计主要涉及：频繁项或频繁项集挖掘、Ｔｏｐ — Ｋ数据项及数据项集２．２改进算法
们所要面对的新考验。数据流挖掘作为数据挖掘的一个分支方２．１关键思想向，其中的挖掘数据流频繁项作为热点问题，所研究领域所涉
个万向。
针对ｓｓ算法若某数据项ａｉ的频数超过数据项频率Ｆ／样本
内，增加一个样本集ｓ，，即将样本集ｓ分成ｓ，ｕｓ，两个样本集来
１概述
（１）Ｆ＝Ｆ＋ｆｊ；ｍ＝Ｆ／Ｓ

关联规则中FP-tree的最大频繁模式非检验挖掘算法

关联规则中FP-tree的最大频繁模式非检验挖掘算法
惠亮;钱雪忠
【期刊名称】《计算机应用》
【年(卷),期】2010(030)007
【摘要】基于FP-tree的最大频繁模式挖掘算法是目前较为高效的频繁模式挖掘算法,针对这些算法需要递归生成条件FP-tree、做超集检验等问题,在分析DMFIA-1算法的基础上,提出了最大频繁模式的非检验挖掘算法NCMFP .该算法改进了FP-tree的结构,使挖掘过程中不需要生成条件频繁模式树也不需要超集检验.算法采用的预测剪枝策略减少了挖掘的次数,采用的求取公共交集的方式保证了挖掘结果的完整性.实验结果表明在支持度相对较小情况下,NCMFP的效率是同类算法的2～5倍.
【总页数】4页(P1922-1925)
【作者】惠亮;钱雪忠
【作者单位】江南大学,信息工程学院,江苏,无锡,214122;江南大学,信息工程学院,江苏,无锡,214122
【正文语种】中文
【中图分类】TP311.13
【相关文献】
1.基于改进的 FP-tree 最大频繁模式挖掘算法 [J], 宁慧;王素红;崔立刚;郭笑语;徐丽
2.关联规则中改进FP-tree的最大频繁模式挖掘算法 [J], 钱雪忠;惠亮
3.基于FP-tree最大频繁模式超集挖掘算法 [J], 王君;任永功
4.基于有序FP-tree结构和二维表的最大频繁模式挖掘算法 [J], 王利军; 唐立
5.基于有序FP-tree结构和投影数据库的最大频繁模式挖掘算法 [J], 王利军; 唐立因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于DHP算法的频繁项集改进方法

２．２实现过程ｆ１）对原始数据库Ｄ进行划分．分割成互不重叠的ｎ块，记为Ｄ。、
Ｄ２、・一Ｄ
ｆ２１由已知的最小支持数ｍｉｎｓｕｐ－ｃｏｕｎｔ．求出局部最小支持数ｍｉｎｓｕｐ — ｃｏｕｎｔ，，运用公式ｍｉｎｓｕｐ — ｃｏｕｎｔ＝ｍｉｎｓｕｐ — ｃｏｕｎｔｌｌＤ。ｌｌ／ｌ＿Ｄｌｌ（ｉ＝ｌ，２， …，ｎ）ｆ３）对每一个数据库分块Ｄｉ中的事务行分解出其所有的项目集。（４）应用哈希函数，即：ｈ（ｘ，ｙ｝＝（（ｏｒｄｅｒｏｆｘ）１０＋（ｏｒｄｅｒｏｆｙ））ｍｏｄ７（其中ｏｒｄｅｒｏｆｘ为ｘ在所有取值序列中的序号），生成分解项目集对应的桶地址．并将相应的项目分配到对应的桶中。同时记录桶中元素的个数．与局部最小支持数ｍｉｎｓｕｐ－ｃｏｕｎｔｉ作比较，大于最小支持数的记为１．小于它的记为０．得出结果位向量。ｆ５）将每个数据分块得出的位相量进行 “ 析取或 ” 运算，即设ｘ（ｘ），，Ｙ：（ｙ１）。，则定义ｘＶＹ＝（ｘ，Ｖｙｊ＝），对得出的析取位相量中是Ｏ的位置进行修剪ｆ６１将数据分块得到的析取位相量是１的位置对应的桶内容进行叠加．再与全局最小支持数进行比较，得到频繁项目集。２－３示例分析对表１所示的事务数据库跟踪ＤＨＰＢＰ算法的执行过程（设

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

收稿日期： 2010 － 12 － 06 ；修回日期： 2011 － 06 － 17 1964 年生， mail： ieymchai@ zzu． edu． cn．王春丽，作者简介柴玉梅，女，硕士，副教授，主要研究方向为机器学习与数据挖掘． E1985 年生， 1963 年生，女，硕士，主要研究方向为数据挖掘．王黎明，男，教授，博士，主要研究方向为分布式人工智能与数据挖掘．
IndexFIM 算法在稀疏数据集上挖掘频繁项集具同时引入广度扩展剪枝和区域索引跳过策略．实验表明，数据集，有较高的执行效率．为得到能直接用于预测的有效信息，提出基于频繁项集的互补替代关系挖掘算法（ CARM ）．通过对已挖掘出的各频繁项集中的频繁项进行相关性计算，得到频繁项之间的互补替代关系，并以互补替代关系图（ CAG）的形式直观表示， CAG 比频繁项集表示的信息更有效、便于决策者做出准确、合理的判断．实验表明，更精确．关键词数据挖掘，频繁项集，互补替sed on the TOPkClosed Miner algorithm，an algorithm for mining frequent itemsets based on index （ IndexFIM） is proposed． Bitvector is used to represent dataset，the breadth expansion pruning strategy and regionindex skimming strategy are simultaneously introduced． The experimental results show that IndexFIM has high execution efficiency for mining frequent itemsets in sparse datasets． In order to acquire useful information for direct prediction，another algorithm for complementalternative relationship mining based on frequent itemsets （ CARM ） is proposed． The relevant coefficient between the items included in frequent itemsets is computed to get their complementalternative relationship， and the complementaryalternative relationship is represented by complementalternative relationship graph （ CAG ）， which is convenient for the decision maker to make reasonable and accurate judgment． Experimental results show that CAG is more efficient and precise than frequent itemsets in expressing information．
∑ ti j = 32 k
→
j
× 2j，
0 ≤ i ≤ n， 0 ≤ k ≤ m / 32 + 1 ， n 是事务集中包其中， m 是属性个数．含的事务总数， RI）设 L k 表定义 2 （区域索引（ Region Index， S（ L k ）表示 L k 的总数，示包含 k 个属性的事务，则 RI =
［2 ］ Apriori 算法，提高挖掘频繁项集的效率． Tsay 提出
MapMa定义 1 （事务集的位映射存储矩阵（ Bittrix ，BMM）设 I = ｛ item1 ， item2 ， …， item m ｝为属性 Dom（ I） = ｛ 0 ， 1 ｝ m ．设 t i 表示事务集中即项集，集， → t i 即为 t i 的位向量表示，的第 i 个事务，且 1 ， item i ∈ t i t ij = 0 ， item i t i → → → → t2 ， …， t n ｝． BMM 则事务集的位向量可表示 T = ｛ t1 ， → 是 T 的矩阵表示：
1期
柴玉梅
等：基于频繁项集的互补替代关系挖掘算法
159
1 ）对于 ET 的根节点 root， h（ root） = NULL，SI（ root） = 1 FItemset， Sup（ SI（ root）） = ｛ sup（ item i ）︱item i ∈ SI（ root）｝． 2 ）对于 ET 的叶子节点 n， FI（ n） = kFItemsets， PBRIndex（ FI（ n）） = ｛ 1 ︱kFItemset t l ｝， t（ n） = NULL． 3 ）对于 ET 的中间节点 m， FI（ m） = k'FItemset， PBRIndex（ FI（ m）） = ｛ l' ︱k'FItemset t l ' ｝， SI（ m） = SI （ parent（ m））， FI（ m）
项集挖掘算法．最大频繁项集的挖掘过程用集合枚举树（ Enumerate Tree，ET）的构造过程表示，使用渐进聚焦技术（ Progressive Focusing）进行最大化检查，能够快速消除非最大频繁项集．使用相异集合扩散技术（ Diffset Propagation）计算支持数，进一步提［3 ］ kClosed Miner 高算法效率． Bashir 提出的 TOP算法使用枚举树来描述频繁项集挖掘的搜索空间．其枚举树创建过程的不足之处在于：对于节点 n，先生成 SI（ n），然后逐一计算 Sup（ FI（ n） ∪ item i ），其中 item i ∈ SI（ n）．如果 Sup（ FI（ n） ∪ item i ） ≥ minsup， Sup（ SI（ n）） = Sup（ SI（ n）） ∪ Sup（ FI（ n） ∪ itemi ）； SI（ n） = SI（ n） / item i ．这种先分配存储空间再反之，释放的做法，造成大量重复操作．最坏情况下，该操作的复杂度为︱SI（ n）︱，即 SI（ n）中包含的项数．针对上述不足，本文所做的工作是对于节点 n，在生成 SI（ n）时，从 SI（ parent（ n））中第二个项开 item i ∈ 始，先逐一计算 Sup（ FI（ n） ∪ item i ），其中， SI（ parent（ n）） / item1 ，item1 表示 SI（ parent（ n））中的第一个项．如果 Sup（ FI（ n） ∪ item i ） ≥ minsup， SI（ n） = SI（ n） ∪ item i ， Sup（ SI（ n）） = Sup（ SI（ n）） ∪ Sup（ FI（ n） ∪ Itemi ）；否则，继续进行下一个尾项的合并．我们称之为广度 ET 的扩展空间迅速扩展剪枝策略．引入该策略后，缩小． ET 的创建算法如算法 1 所示．算法 1
{
32 k + 31
BMM［ i］［ k］ =
BitvectorRegion，PBR ）技域映射位向量（ ProjectionkClosed Miner ），术的闭频繁项集挖掘算法（ TOPTOPkClosed Miner 算法使用垂直的位向量表示数据集，建立各个属性的索引，使用位与运算计算候选节约支持数计算所需时间．枚举树是项集的支持数，挖掘频繁项集常用的数据结构，频繁项集的挖掘过［4 － 7 ］．在使用低支持程可看作是枚举树的搜索过程结果中可能包含大量用数阈值挖掘长频繁项集时，户不感兴趣的频繁项．为更好获得用户感兴趣的属 8］基于相似度挖掘属性之间的依赖关文献［性集，系．通过计算属性间的相关系数，挖掘出属性之间的 9］提出一个挖掘某一相同领域文档的依赖度．文献［关联强度的算法．该算法用关键词和它们在文档中的权值表示文档，然后根据关键字进行关联文本挖掘，建立该领域的知识网格，从而运用关联文本来产生文档的语义关系，以及它们的关联强度．实验表明，这种策略缩小关键字语义和文本语义之间的差异．本文利用位向量映射技术研究基于频繁项集的互补替代关系挖掘算法．提出基于索引的频繁项集挖掘算法（ Frequent Itemsets Mining Based on Index， IndexFIM）． IndexFIM 算法仅需扫描一次数据集．频繁项集的挖掘过程采用集合枚举树的节点构造过程来表示，能够快速挖掘出频繁项集．提出基于频繁 Alter项集的互补替代关系挖掘算法（ Complementnative Relationship Mining Based on Frequent Itemsets，CARM）． CARM 算法以互补替代关系图（ ComplementAlternative Relationship Graph，CAG）方式表示出各个频繁项之间的互补（或替代）性．实验表 CAG 比频繁项集表示的信息更有效精确．明，
158
模式识别与人工智能
25 卷
Key Words
Data Mining，Frequent Itemsets，ComplementAlternative Relationship，Enumeration Tree
1
引
言
2
相关概念定义
频繁项集挖掘已成功运用到关联规则、数据流、［1 ］序列模式挖掘等方面． Han 提出模式增长算法 FPGrowth． FPGrowth 算法使用 FP 树压缩数据集，需扫描两次数据库就可产生所有频繁项集．相对