刘晓慧

摘要：该文介绍了数据挖掘、关联规则相关概念，分析了经典的挖掘布尔关联规则频繁项集的算法-Apriori算法，阐述了关联规则的生成过程，并通过实例进行验证。针对Apriori算法的缺陷进行了分析并列举了几种算法优化方法。

关键词：数据挖掘；关联规则；Apriori算法；阈值

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2014）16-3721-03

Abstract： This article describes the conception of data mining and association rules， Analyzes apriori algorithm，Its the classic algorithm in frequent itemsets mining base on boolean association rules， Describes the generation process of association rules and verified by examples. Analysis of the defects of apriori algorithm and several improved algorithms.

Key words： data mining； association rules； Apriori algorithm； threshold

1 数据挖掘

随着计算机、网络和信息技术的发展，采集和保存数据的能力也大大提高，信息大量涌现，如何从海量信息中找出所需的、有用的知识，成为了一个重要研究课题。数据挖掘一般是指从大量的实际数据中，通过算法搜索提取隐藏于其中的、有用的信息和知识的过程，同时通过分析大量数据来揭示有意义的新的关系和趋势。数据挖掘融合了人工智能、机器学习、模式识别、统计学、数据库、可视化技术等多个领域的理论和技术，是数据库研究中的一个很重要且有应用价值的领域。

2 关联规则

数据关联是数据库中存在的可被发现的知识，若多个变量的取值存在某种规律性，就称为关联。关联分析在数据挖掘中用于揭示数据项集之间的相互关系，生成关联规则，形如[X?Y]的蕴含式。关联规则挖掘要先从数据集合中找出所有的频繁项目组（Frequent Itemsets），然后从频繁项目组中产生强关联规则（Association Rules）。具体描述如下：

假设[I={i1，i2，…，im}]是一个项目集合。给定一个事务数据库[D={t1，t2，…，tn}]，其中每个事务[ti（i=1，2，…，n）]具有唯一标识TID，且都对应I上的一个非空子集。设[X?I]，项目集[X]在数据库D上的支持度（support）指包含[X]的事务在D中的百分比，即：