基于模式增长的不确定数据的频繁模式挖掘算法

来源：计算机应用杂志2015年第7期北京时间：

作者：王乐, 常艳芬, 王水

单位：宁波大红鹰学院 信息工程学院, 浙江 宁波 315175

摘要：为提高不确定数据频繁模式(FP)挖掘算法的时空效率,提出了基于最大概率的不确定频繁模式挖掘(UFPM-MP)算法。首先,利用事务项集中的最大概率值预估期望支持数;然后,使用该期望支持数与最小期望支持数阈值进行比较,以确定某一项集是否为候选频繁项集,并对候选项集建立子树以递归挖掘频繁模式。实验中,UFPM-MP算法与AT-Mine算法进行了对比,并在6个典型的数据集上进行实验验证。实验结果表明,UFPM-MP算法的时空效率得到了提高,稀疏数据集上提高约30%,稠密数据集上的效率提高更为明显(约3~4倍)。预估期望支持数的策略有效地减少了子树和头表项的数量,从而提高了算法的时空效率;且最小期望支持数越小,或需要挖掘的频繁模式越多的时候,算法的时间效率提高越多。

关键词：不确定数据,频繁模式,频繁项集,模式增长

基金资助：国家自然科学基金资助项目(61370200);宁波市自然科学基金资助项目(2013A610115, 2014A610073);浙江省教育厅一般科研项目(Y201432717);宁波大红鹰学院大宗商品专项课题(1320133004)。