亓文娟

(武夷学院)

0 引言

经典的Apriori算法在进行关联规则挖掘时存在数据库中各项目具有着相似的出现频率和相同的重要性两个前提假设，但是现实世界数据库中的数据并非如此，当数据库中的各项目出现的频率相差较大时，就会出现最小支持度阈值设置的两难局面，为了解决这一问题，Liu［1］等学者提出了一种多支持度关联规则挖掘MS-Apriori算法，但该算法认为各项目的重要性相同．文献［2］提出了一种基于概率的多最小支持度关联规则算法，有效挖掘出发生概率较低事件中的关联规则，但存在着候选项集增多的缺点．文献［3］提出了使用相关项目集中各项目最小支持度中的最大值来实现剪枝．为了区分各项目具有不同的重要性，需要根据各项目的重要性程度设置不同的权值，即加权关联规则挖掘．加权关联规则挖掘分为水平加权关联规则挖掘、垂直加权关联规则挖掘和混合加权关联规则挖掘．水平加权关联规则挖掘中项目的权值体现的是项目对决策的重要程度，垂直加权关联规则挖掘中项目的权值随着时间的变化而变化，混合加权关联规则挖掘就是同时包含水平和垂直加权的关联规则挖掘问题．本文深入分析了水平加权关联规则典型算法MINWAL(O)的思想，指出了算法的不足及优化算法，旨在对加权关联规则挖掘算法的扩展和改进奠定基础．

1 加权关联规则定义

假定事务数据库D，项目的集合I={i1，i2，i3，…，in}，每一笔交易都是 I的子……