关联规则增量式更新算法的研究的综述报告.docx

关联规则增量式更新算法的研究的综述报告
关联规则挖掘是数据挖掘中的重要技术之一，它可以帮助我们从大量数据中发现有意义的关联性，如商品销售关系、疾病发生规律等。传统的关联规则挖掘中常采用Apriori算法和FP-Growth算法，但这些算法都是离线建模的方式，对于数据变化较大的情况下，需要重新构建模型。为了解决这个问题，研究者们提出了关联规则增量式更新算法，本文对此进行综述。
1.关联规则增量式更新算法的概述
关联规则的增量式更新算法是指在原有的关联规则基础上，通过增量式的方式更新关联规则。这样在数据发生变化时，可以避免重新构建整个模型，从而提高了计算效率。这类算法主要有三种：Apriori-Inc算法、Growth-Miner算法和CRCM算法。
2.Apriori-Inc算法
Apriori-Inc算法是Apriori算法的增量式更新版本，它会在每次新增数据时，同时对频繁项集和关联规则做出更新。该算法首先利用原有的频繁项集推出新增数据的候选项集，然后再对候选项集运用Apriori算法进行筛选，得出新的频繁项集和关联规则。在处理频繁项集时，Apriori-Inc算法会更新存储在树结构中的候选项集，以避免计算重复，从而优化计算效率。
3.Growth-Miner算法
Growth-Miner算法是FP-Growth算法的增量式更新版本，主要简化了树构建和频繁项集挖掘的过程。Growth-Miner算法首先构建一个新的FP树，将新增数据加入到该树中，并根据新的FP树来产生更新后的频繁项集和关联规则。在不断更新的过程中，会产生大量FP树，因此Growth-Miner设计了一种淘汰机制，在每次产生新的FP树时，会将旧的FP树淘汰掉，从而保证空间效率。
4.CRCM算法
CRCM算法是关联规则增量式更新算法的另一种重要实现形式。它采用了一种基于置信度变化的快速增量式更新策略，可以在原有规则前提不变的情况下，准确地计算规则置信度的变化情况。当数据发生变化时，将原有的规则置信度更新为新的值，并删除不满足支持度和置信度阈值的规则。这种算法在增量式更新的同时保证了规则的准确性。
5.总结
本文主要对关联规则增量式更新算法进行了综述，这类算法都是在传统关联规则挖掘算法的基础上，通过增量式的方式对模型进行更新，从而在保证模型准确性的前提下提高效率。Apriori-Inc、Growth-Miner和CRCM都是较为重要的更新算法，它们可以满足不同的数据要求。未来的研究领域可能侧重于增加算法的精度和准确性，使其更适合处理大规模变动的数据。