频繁路径集

关键步骤挖掘频繁集

查找满足最小支持度的项目集合 频繁集的子集也是频繁的 递归查找频繁集（k-频繁集） 根据频繁集生成关联规则

算法与数据结构 5 2024-05-01

最大频繁项集快速更新算法FUMFS

FUMFS算法优化了最大频繁项集的维护，利用已有BitMatrix和最大频繁项集，有效地更新挖掘结果。

数据挖掘 4 2024-05-12

垂直数据格式挖掘频繁项集

垂直数据格式挖掘频繁项集可避免生成候选频繁项集，进而节省CPU开销。

数据挖掘 4 2024-05-25

频繁项集连接步骤的约束条件

假设 l1 和 l2 是频繁 (k-1)-项集集合 Lk-1 中的两个项集，li[j] 表示项集 li 的第 j 个项。为简化讨论，假设事务或项集中的项按字典序排序。在执行 Lk-1 和 Lk-1 的连接操作 (Lk-1 ∞ Lk-1) 时，只有当 Lk-1 中的两个元素满足前 (k-2) 个项相同的前提条件时，才能进行连接。

数据挖掘 2 2024-05-27

基于有向项集图的最大频繁项集挖掘算法

本算法基于有向项集图存储事务数据库中频繁项集信息，采用三叉链表结构组织有向项集图，并在此基础上提出最大频繁项集挖掘算法。该算法一次扫描事务数据库，有效减少I/O开销，适用于稀疏和稠密数据库的最大频繁项集挖掘。

数据挖掘 2 2024-05-31

并行频繁项集挖掘算法的优化研究

传统的挖掘频繁项集的并行算法存在节点间负载不均衡、同步开销过大、通信量大等问题。针对这些挑战，提出了一种名为多次传送重新分配数据的并行算法（MRPD）。在MRPD算法中，第l步将数据库重新划分成多个组，并根据各节点的需求多次传送这些组。各节点在异步地计算完整组后，可以得到所有频繁项集。理论分析和实验结果均表明，MRPD算法在优化并行频繁项集挖掘中具有显著效果。

数据挖掘 2 2024-07-16

Apriori算法：频繁项集挖掘与关联规则学习

Apriori算法是一种用于数据挖掘的经典算法，其核心目标是发现数据集中频繁出现的项集以及学习部分关联规则。 算法特点： 迭代式方法： Apriori算法采用逐层迭代的方式，从单个频繁项开始，逐步生成更大的频繁项集。 支持度阈值： 通过设定最小支持度阈值，筛选出满足条件的频繁项集，有效控制结果数量。 关联规则生成： 基于频繁项集，Apriori算法可以推导出“一对多”或“多对一”形式的部分关联规则。 局限性： 无法处理多对多关联规则： Apriori算法目前版本仅支持生成一对多或多对一形式的关联规则，对于更复杂的多对多关联规则尚待改进。

数据挖掘 1 2024-05-24

基于有序FP-tree的最大频繁项集挖掘

基于有序FP-tree的最大频繁项集挖掘 概念提出: 完全前缀路径、有序FP-tree 有序FP-tree构建: 根据数据项所在层级建立 数据表示: 利用有序FP-tree表示数据 算法提出: MFIM算法，利用有序FP-tree中的完全前缀路径进行最大频繁项集挖掘 算法优化: 利用完全前缀路径对挖掘算法进行优化 实验结果: 对于浓密数据集中的长模式挖掘具有良好性能

数据挖掘 2 2024-05-25

MFWSR数据流上的频繁闭项集挖掘算法

MFWSR:数据流上的频繁闭项集挖掘算法，陶克，王意洁，数据流上频繁项集挖掘是数据挖掘有效手段之一，是相联规则挖掘的重要基础。频繁闭项集挖掘的结果更简洁而又能保留所有频繁项集的结果。

数据挖掘 0 2024-08-08

基于模糊等价类的频繁项集精简表示方法研究

频繁项集挖掘是数据挖掘的重要应用，但庞大的频繁项集数量限制了其实际应用。为减少频繁项集数量，使其更易于应用，提出一种基于格结构的频繁项集精简模型，并证明该方法产生的支持度误差范围。在此基础上，提出模糊等价类精简表示算法FEC。实验结果表明，该方法在显著减少频繁项集数量的同时，能有效控制支持度误差，与Index-Meta算法相比，产生的支持度误差更小。因此，基于模糊等价类的频繁项集精简表示模型及FEC算法具有较高应用价值。

数据挖掘 7 2024-05-12