项集支持度

通过扫描数据库D，统计每个候选项出现的次数，得到项集支持度计数C1如下： | 项集 | 支持度 ||---|---|| {I1} | 6 || {I2} | 7 || {I3} | 6 || {I4} | 2 || {I5} | 2 |

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。

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。

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。

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。

规则度量支持度和可信度可用于找出符合最小支持度和可信度条件的规则。 支持度衡量一次交易中同时包含规则中所有项的可能性。 可信度衡量在包含规则中前提项的交易中，结论项出现的条件概率。 例如，若最小支持度为 50%，最小可信度为 50%，则可能获得以下规则： A → C (支持度：50%，可信度：66.6%) C → A (支持度：50%，可信度：100%) 这意味着： 购买尿布的客户中有 50% 同时购买了啤酒。 购买尿布和啤酒的客户中有 66.6% 同时购买了啤酒。 购买啤酒的客户中有 50% 同时购买了尿布。 购买尿布和啤酒的客户中有 100% 同时购买了尿布。

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。

在数据挖掘领域，支持度递减是一个重要的概念。它指的是随着数据集中项目集的大小增加，支持度递减的规则开始显现。这一现象揭示了在大数据背景下关联规则的变化模式。

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。

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