一种基于向量的概率加权关联规则挖掘算法

J4 ›› 2014, Vol. 36 ›› Issue (2): 354-358.

一种基于向量的概率加权关联规则挖掘算法

赵志刚,万军,王芳

（广西大学计算机与电子信息学院，广西南宁 530004）

收稿日期:2012-06-28 修回日期:2012-11-29 出版日期:2014-02-25 发布日期:2014-02-25
基金资助:
国家自然科学基金资助项目（60973074）

A probability weighted association rules mining algorithm based on vector

ZHAO Zhigang,WAN Jun,WANG Fang

(College of Computer and Electronics Information,Guangxi University,Nanning 530004,China)

Received:2012-06-28 Revised:2012-11-29 Online:2014-02-25 Published:2014-02-25

摘要/Abstract

摘要：

关联规则挖掘是数据挖掘领域中最活跃的一个分支。目前提出的许多关联规则挖掘算法需要多次扫描数据库并产生大量候选项集，影响了挖掘效率。针对加权关联规则挖掘算法中多次扫描数据库影响算法性能的问题，对其进行了优化，采取了以空间换时间的思路，提出一种基于向量的概率加权关联规则挖掘算法。以求概率的方式设置项目属性的权值，通过矩阵向量存储结构保存事务记录，只需扫描一次数据库，并且采用不同的剪枝策略及加权支持度和置信度的计算方式。使用数据实例进行模拟实验，结果表明此算法明显提高了挖掘效率。

关键词: 数据挖掘, 概率, 向量, 加权关联规则, 剪枝策略

Abstract:

Association rules mining is one of the most active branch of data mining. Many association rules mining algorithms need to scan the database many times and produce a large number of candidate items. Aiming at the problem of scanning database several times, a probabilityweighted association rules mining algorithm based on vector is proposed. It sets the weight value of item by computing the probability and saves the transaction records via the matrixvector structure by scanning the database only once. In addition, it employs different cutting strategies and computing ways of weighted support and confidence. Experimental results show that the new algorithm can improve the mining efficiency distinctly.

Key words: data mining;probability;vector;weighted association rules;cutting strategies

赵志刚,万军,王芳. 一种基于向量的概率加权关联规则挖掘算法[J]. J4, 2014, 36(2): 354-358.

ZHAO Zhigang,WAN Jun,WANG Fang. A probability weighted association rules mining algorithm based on vector [J]. J4, 2014, 36(2): 354-358.

[1]	黄帅1, 王佩2, 申真3. 基于一种新参数距离的概率语言多属性决策方法[J]. 计算机工程与科学, 2025, 47(8): 1511-1520.
[2]	沈洁, 龙标, 黄春, 唐滔, 彭林. 面向向量部件的指数和对数函数优化方法[J]. 计算机工程与科学, 2025, 47(1): 18-26.
[3]	张宗茂, 董德尊, 王子聪, 常俊胜, 张晓云, 王绍聪. 基于便笺式存储器的向量化SpMV算法的性能评估与分析[J]. 计算机工程与科学, 2024, 46(9): 1521-1528.
[4]	傅游, 韩昊, 孙月娇, 梁建国, 叶雨曦, 花嵘. 基于OpenMP的硅晶体分子动力学模拟的空间分解着色及向量化研究#br#[J]. 计算机工程与科学, 2024, 46(9): 1566-1575.
[5]	周智, 高建花, 计卫星. 基于FPGA和行折叠的稀疏矩阵向量乘优化[J]. 计算机工程与科学, 2024, 46(8): 1340-1348.
[6]	董文超, 郭强, 张彩明, . 一种模糊时间序列概率预测方法[J]. 计算机工程与科学, 2024, 46(8): 1493-1502.
[7]	姜晶菲, 何源宏, 许金伟, 许诗瑶, 钱希福. NM-SpMM：面向国产异构向量处理器的半结构化稀疏矩阵乘算法[J]. 计算机工程与科学, 2024, 46(7): 1141-1150.
[8]	施禹, 董攀, 张利军. 一种不规则稀疏矩阵的SpMV方法[J]. 计算机工程与科学, 2024, 46(7): 1175-1184.
[9]	王钦晨, 段利国, 王君山, 张昊妍, 郜浩. 基于BERT字句向量与差异注意力的短文本语义匹配策略[J]. 计算机工程与科学, 2024, 46(7): 1321-1330.
[10]	陈杰, 李程, 刘仲. 面向多核向量加速器的卷积神经网络推理和训练向量化方法[J]. 计算机工程与科学, 2024, 46(4): 580-589.
[11]	赵琰, 马慧芳, 王文涛, 童海斌, 贺相春. 可靠响应表示增强的知识追踪方法[J]. 计算机工程与科学, 2024, 46(3): 535-544.
[12]	刘仲, 李程, 田希, 刘胜, 邓让钰, 钱程东. MVSim：面向VLIW多核向量处理器的快速、可扩展和精确的体系结构模拟器[J]. 计算机工程与科学, 2024, 46(2): 191-199.
[13]	胡庆孟, 王红斌, 王俊钟. 基于NPN融入词性注意力机制的中文事件探测[J]. 计算机工程与科学, 2023, 45(8): 1490-1497.
[14]	喻金平, 朱伟锋, 廖列法. 基于RoBERTa-wwm-BiLSTM-CRF的扶持政策文本实体识别研究[J]. 计算机工程与科学, 2023, 45(8): 1498-1507.
[15]	刘屹成, 刘晓燕, 严馨. 并行平衡级联支持向量机[J]. 计算机工程与科学, 2023, 45(7): 1170-1177.