基于多最小支持度的增量式关联规则挖掘的综述报告.docx

基于多最小支持度的增量式关联规则挖掘的综述报告
随着大数据时代的到来，人们对于数据的需求越来越高，而关联规则挖掘是一种有效的数据挖掘技术，能够帮助我们从海量数据中发掘出有用的规律和关系。常见的关联规则挖掘算法有Apriori、FP-growth等。但这些算法都有一个共同的问题，即当数据规模较大时，算法的效率会受到影响，同时也容易产生过多的规则，对规则进行选择和筛选也会带来一定的问题。
因此，近年来出现了基于多最小支持度的增量式关联规则挖掘算法，这是一种结合了多个最小支持度的算法，可以提高算法的效率和准确性。下面将从以下几个方面对该算法进行综述。
一、多最小支持度的定义与应用
多最小支持度是指设置多个不同的最小支持度，通过不同的最小支持度来挖掘出不同的关联规则。通过设置不同的最小支持度，可以过滤掉那些次数很少的规则和被过度频繁的一些规则，从而提高规则的准确度和可靠性。
二、多最小支持度的增量性
多最小支持度的增量性指的是，当新的数据加入时，算法可以根据已有的规则和支持度进行增量式的挖掘，从而加快算法的运行速度和降低计算复杂度。
三、多最小支持度的优点与不足
优点：
1.提高了算法的效率和准确度
2.可以针对不同的数据进行个性化的挖掘，并且能够根据用户需求进行灵活调整
3.增量式的挖掘可以降低算法的计算复杂度
不足:
1.多最小支持度的设置需要依赖经验或者领域知识，如果不合理设置会影响挖掘结果和算法效率
2.多最小支持度的增加会增加算法的内存消耗和计算时间
四、多最小支持度的应用
多最小支持度广泛应用于电商、金融、医疗等场景中，主要用于挖掘用户的购买行为、投资偏好和疾病相关性等。例如，在电商领域，可以通过多最小支持度挖掘出消费者的购买喜好和关联性，从而提高营销的效果和销售额。
综上所述，基于多最小支持度的增量式关联规则挖掘算法是一种优秀的数据挖掘技术，可以提高挖掘的准确性和效率，并且具有较好的应用前景。但是，该算法还存在一些需要改进的地方，需要进一步的研究和探讨。