集群系统中基于MPI的关联规则快速挖掘算法
３算法理论分析
（１）算法的并行性能分析 假设每个结点的ＤＢ，具有Ｄ／．个事务，咒为并 行计算结点的数量，假设需要挖掘的项目集Ｉ的大小 为忌，则最多有２‘个项集，每次对数据库的扫描时间 为ｔ。，则串行时间为２ｋｔ。，串行的时间复杂度Ｔ。＝Ｏ （２‘）．每个分结点的并行运行时间为２＇ｔ。／ｎ，主结点 的运行时间为ｔ。，最坏情况下并行运行的计算时间为 ｔ。＋咒＊２ｋｔ。／ｎ，在阶的意义下并行代价等于最坏情况 下串行的代价，具有代价最佳的并行性． （２）算法的加速比分析 并行运行的时间ｔ。由两部分组成：计算部分￡。。 和通信部分￡一。，ｔ，＝ｔｃ。。＋ｔ。。。． 上述算法中，如果项集Ｘ在结点ｉ是局部频繁 的，则其通信量的复杂度为０（ｎ），￡。。。＝咒（ｔ。。。＋ ｗｔｄａｔ。），ｔ。。。。是消息时延，ｔ‰是发送单位数据的时
性质１ Ｅ６］ 对于Ｘｐ，Ｘ。∈Ｊ，Ｘｐ，Ｘ。有且只有志一 ２个元素相同的充要条件是ｌｅｎｇｔｈ（Ｂｘｐ ｏｒ Ｂｘ。）一忌．
由Ａｐｒｉｏｒｉ算法和性质ｌ有，如果Ｘ，，鼍∈ ＬＬｋ～ｌ（＿ｆ），ｌｅｎｇｔｈ（Ｂｘｐ ｏｒ Ｂｘ。）＝志，则，可以组成结点
Ｊ上的局部候选是项集Ｘ，Ｕ Ｘ。．以下用ｍ位二进制 数Ｐ代表项集Ｘ，，ｍ位二进制数ｑ代表项集Ｘ。．
２．３从结点的局部频繁项目集的生成与支持度计算
（１）局部频繁项目集的生成算法 输入：分发到结点ｉ的正一１项全局频繁项目集Ｇｋ一－
（ｉ）．
输出：局部频繁女项集ＬＬ。（ｉ）
Ａｐｒｉｏｒｉ＿ｇｅｎ（） ｛ＬＬ。（ｉ）＝予；
ｆｏｒ ｅａｃｈ ｐＥＧＬ，一Ｉ（ｉ） ｆｏｒ ｅａｃｈ口∈ＧＬＩ—ｌ（ｉ）／／口≠Ｐ ｛夕ｑ＝Ｐ Ｏｇ ｑ｝／／生成新的七序列
第３２卷第１期 ２０１０年２月
三峡大学学报（自然科学版） Ｊ ｏｆ Ｃｈｉｎａ Ｔｈｒｅｅ Ｇｏｒｇｅｓ Ｕｎｉｖ．（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅｓ）
Ｖ０１．３２ Ｎｏ．１ Ｆｅｂ．２０１０
集群系统中基于ＭＰＩ的关联规则快速挖掘算法
安立奎１ 钱伟懿１ 韩丽艳２
（１．渤海大学数学系，辽宁锦州 １２１００３；２．渤海大学公共计算机教研部，辽宁锦州 １２１００３）
本文参照了文献［６］的算法，给出了一种在集群 系统中用ＭＰＩ实现的基于二进制的关联规则算法， 该算法具有实用性强，并行可扩展性好，实现难度低 和高效率等优点．
收稿日期：２００９—０９—２９ 基金项目：国家自然科学基金资助项目（１０８７１０３３）；辽宁省高等学校科研项目资助计划（２００８００４）；辽宁省教育厅Ａ类项目（２００９Ａ０３４） 通讯作者：安立奎（１９７８一），男。讲师．硕士。软件设计师，主要研究方向为数据挖掘。并行与分布式计算．Ｅ－ｍａｉｌ．．ａｎ＿ｌｉｋｕｉ＠１６３．ｃｏｍ
（１．Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｍａｔｈｅｍａｔｉｃｓ，Ｂｏｈａｉ Ｕｎｉｖ．，Ｊｉｎｚｈｏｕ １２１００３，Ｃｈｉｎａ；２．Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｐｕｂｌｉｃ Ｃｏｍｐｕｔｅｒｓ， Ｂｏｈａｉ Ｕｎｉｖ．，Ｊｉｎｚｈｏｕ １２ １００３，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ Ｃｌｕｓｔｅｒ ｉｓ ａ ｋｉｎｄ ｏｆ ｄｉｓｔｒｉｂｕｔｅｄ ｓｔｏｒａｇｅ ｓｙｓｔｅｍ，ｗｈｉｃｈ ｍｏｓｔｌｙ ａｄｏｐｔｓ ｔｈｅ ｍｅｔｈｏｄ ｏｆ ｍｅｓｓａｇｅ ｐａｓｓｉｎｇ ｔｏ ｒｅａｌｉｚｅ ｔｈｅ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｂｅｔｗｅｅｎ ｅｖｅｒｙ ｎｏｄｅ．Ｔｈｒｏｕｇｈ ｔｈｅ ｉｎｔｅｒｆａｃｅ ｆｏｒ ｍｅｓｓａｇｅ ｐａｓｓｉｎｇ ｏｆ ＭＰＩ，ｐｕｔｓ ｆｏｒｗｏｒｄ ａ ｆａｓｔ ｐａｒａｌｌｅｌ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｍｉｎｉｎｇ ａｓｓｏｃｉａｔｉｏｎ ｒｕｌｅｓ ｂａｓｅｄ ｏｎ ｂｉｎａｒｙ ｄａｔａ ｓｔｏｒａｇｅ ａｎｄ ｅｏｍｐｕｔａｔｉｎｇ， ｗｈｉｃｈ ｎｅｅｄｓ ｏｎｌｙ ｓｏｍｅ ｌｏｇｉｃ ｏｐｅｒａｔｉｏｎｓ ｓｕｃｈ ａｓ‘ａｎｄ’，‘ｏｒ’ａｎｄ‘ｘｏｒ’，ｄｅｃｒｅａｓｅｓ ｔｈｅ ｒｅａｌｉｚｉｎｇ ｄｉｆｆｉｃｕｌｔｙ，ｒｅ— ｄｕｅｅｓ ｔｈｅ ｎｅｔｗｏｒｋ ｔｒａｆｆｉｃ ａｎｄ ｉｎｃｒｅａｓｅｓ ｔｈｅ ｍｉｎｉｎｇ ｅｆｆｉｃｉｅｎｃｙ．Ｉｔ ｉｓ ｐｒｏｖｅｄ ｔｈｅｏｒｅｔｉｃａｌｌｙ ｔｈａｔ ｔｈｅ ａｌｇｏｒｉｔｈｍ ｈａｓ ｔｈｅ ａｄｖａｎｔａｇｅ ｏｆ ｉｍｐｒｏｖｉｎｇ ｔｈｅ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ａｎｄ ｓｃａｌａｂｉｌｉｔｙ ｏｆ ｍｉｎｉｎｇ ａｓｓｏｃｉａｔｉｏｎ ｒｕｌｅｓ． Ｋｅｙｗｏｒｄｓ ｃｌｕｓｔｅｒ；ｐａｒａｌｌｅｌ ｃｏｍｐｕｔａｔｉｏｎ； ＭＰＩ； ａｓｓｏｃｉａｔｉｏｎ ｒｕｌｅｓ
行户口２户口’ ｆｏｒ（ｉ＝１，Ｃｏｕｎｔ
Ｏ；ｉ＜一优＆＆ｎｐｑ！＝Ｏ；ｉ＋＋）／／统
万方数据
第３２卷第１期
安立奎等 集群系统中基于ＭＰＩ的关联规则快速挖掘算法
９７
计ｎｐｑ中１的个数 ｉｆ（ｎｐｑ ａｎｄ ０ｘ０１） ｛ｃｏｕｎｔ＋＋： 订户ｑ＝ｎｐｑ＞＞１｝／／逻辑右移１位 ｝ ｉｆ（ｃｏｕｎｔ＝＝志）／／ｐ，ｑ可以合并生成候选ｋ项集 ｛ｆｏｒ（ｉ＝１，６＝０ｘ０１；ｉ＜＝研；ｉ＋＋） ｎ＝户ｑＸＯｒ ｂ；／／Ｔ／是加的ｋ一１项子集 ｉｆ ｒ／∈ＧＬ．。（ｉ）／／ｎ不是频繁ｋ一１项集 ｂｒｅａｋ； ） ｉｆ（ｉ＝一研）／／Ｐｑ的所有ｋ一１项子集都是频繁ｋ一１项
定义Ｉ ｒ６３ 事务（项集）一二进制数关系．给定Ｊ＝ ｛ｉｌ，ｉ２，…，ｉ。），称，：Ｔ×（Ｘ×Ｄ－＊ｂ。ｂ２…ｂ。一ｌｂ。为事 务（项集）一二进制数关系，并称ｂ＝ｂ。ｂｚ…ｂ。一－ｂ。为 事务Ｔ（项目集Ｘ）所对应的二进制数，记为Ｂ，（Ｂ，）， 其中６，∈｛０，１｝，且如果项ｉ，∈Ｔ（ｉ，∈Ｘ），则６ｆ＝ｌ，否 则，６，＝０，＿『＝１，２，…，ｍ．对项目集Ｘ∈Ｊ，Ｂ，中１的 个数成为Ｘ的长度，记为ｌｅｎｇｔｈ（Ｘ）．例如：Ｘ＝｛Ｊｔ， Ｊ‘，Ｊ５），Ｂ，＝１００１１，ｌｅｎｇｔｈ（Ｂ，）＝３．
集 ＬＬ＾（ｉ）一ＬＬ＾（ｉ）ＵＰｑ ｝ ｒｅｔｕｒｎ ＬＬ★（ｉ）； ｝
（２）项集的局部支持度计算方法
输入：局部频繁ｋ项集ＬＬ＾（ｉ） 输Ｈ｛：＾ｊＩ鄂频繁女项集ＬＬ·（ｉ）每一项的支持度 Ｓｕｐｐｏｒｔ—ｃａｃｕｌａｔｅ（） ｛ｆｏｒ ｅａｃｈ ｔＥＤＢ。／／ＤＢ。是局部事务数据库，由主结点分 发 ｆｏｒ ｅａｃｈ Ｐ∈ＬＬＩ（ｉ） ｉｆ（Ｐ ｏｒｔ一一ｆ） Ｐ．ｓｕｐ＋＋ｌ ｝
发送到各个结点．（５）重复（１）～（４）直到没有新的局
部频繁项集产生． ２．２中心主结点的算法描述
输入：从结点ｉ的局部候选矗项集ＬＬ。（ｉ）ｉ一１，２，…，押．
输出：全局频繁候选女项集ＧＬ。（Ｄ）． 女＝１｝Ｇ（五（Ｄ）一垂；ａｌｌ＝０； ｆｏｒ（ｉ＝１；ｉ＜＝行；ｉ＋＋）
｛Ｇ６Ｉ（Ｄ）＝ｏ包（Ｄ）ＵＬＬ＾（ｉ）； ｉｆ（ＬＬＩ（ｉ）＝一中）ａｌｌ＋＋Ｉ
ＭＰＩ拥有一个上百个函数构成的函数库．用 ＭＰＩ构建一个并行计算环境主要用到六个函数．函 数名分别为：ＭＰＩ—Ｉｎｉｔ，ＭＰＩ—Ｃｏｍｍ—Ｓｉｚｅ，ＭＰＩ－ｃｏｍｍ－ Ｒａｎｋ，ＭＰＩ—Ｓｅｎｄ，ＭＰＩ—Ｒｅｃｖ，ＭＰＩ—Ｆｉｎａｌｉｚｅ．ＭＰＩ—Ｉｎｉｔ 和ＭＰＩ—Ｆｉｎａｌｉｚｅ实现ＭＰＩ环境的初始化和结束； ＭＰＩ—ＣＯＭＭ—ｗｏＲＬＤ通信因子是在ＭＰＩ环境初始 化过程中创建的，ＭＰＩ－Ｃｏｍｍｍ—Ｓｉｚｅ获取缺省组 （Ｇｒｏｕｐ）的大小；ＭＰＩ—Ｃｏｍｍ—Ｒａｎｋ获取本进程在缺 省组中的逻辑号（从０开始）；ＭＰＩ—Ｓｅｎｄ和ＭＰＩ—Ｒｅｃｖ 实现消息的传递＂］．ＭＰＩ主要处理点对点和集合两种 通信．本文的算法采用的是主从式并行Ｉ／０调控策 略．在集群中有一个结点为主结点（通常是０结点）其 他为从结点，它们之间通过高速网络进行连接，各从 结点与主结点交互数据，不用彼此交换数据，减少了 通信量，有较好的扩展性． １．２数据的二进制表示及其性质
关键词：集群系统； 并行计算； ＭＰＩ； 关联规则
中图分类号：ＴＰ３９３
文献标识码：Ａ
文章编号：１６７２－９４８Ｘ（２０１０）０１－００９５－０３
Ｒｅｓｅａｃｈ ｏｎ Ｆａｓｔ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ Ｏｉｌ ＭＰＩ ｆｏｒ Ｍｉｎｉｎｇ Ａｓｓｏｃｉａｔｉｏｎ Ｒｕｌｅｓ ｉｎ Ｃｌｕｓｔｅｒ Ａｎ Ｌｉｋｕｉｌ Ｑｉａｎ Ｗｅｉｙｉ Ｈａｎ Ｌｉｙａｎ２
性质２‘６３ 对于ｍ位二进制数ｐ和ｑ，如果Ｐ ｏｒ ｑ＝ｐ，则Ｘ。∈Ｘｐ．
２ 改进算法
２．１ 算法思想 主结点首先把事务数据库ＤＢ利用定义１进行
预处理，把得到的新的事务数据库均匀地分发到从结
点ｉ上Ⅲ，ｉ＝１，２，…，ｎ，每个从结点有自己的事务数
据库ＤＢ；．（１）在结点Ｊ中利用ＧＬ。一－（Ｊ）产生局部候
ｉｆ（ａｌｌ＝＝挖）ｅｘｉｔ（０）ｌ／／没有新的局部频繁项集产生 ｆｏｒ ｅａｃｈ ｐＥＧＧ（Ｄ）／／计算ＧＧｋ（Ｄ）中所有项集Ｐ的全 局支持度
ｆｏｒ ｅａｃｈ ｑ∈ＬＬｋ（Ｄ）
ｉｆ（Ｐ ｘｏｒ ｑ＝＝Ｏ）／／Ｐ与ｑ相同 Ｐ．ｓｕｐ＋一ｑ．ｓｕｐ； ｝
ｆｏｒ ｅａｃｈ ｐＥＧＧｌ（Ｄ）
ｉｆ（ｐ．ｓｕｐ＜艿Ｄ）ＧＧ·（Ｄ）＝ＧＧｌ（Ｄ）一Ｐ，
（＿ｆ）≥艿Ｄｉ，Ｘ的全局支持度Ｘ．ｓｕｐ＝∑Ｘ．ｓｕｐ（ｊ），如
果Ｘ．ｓｕｐ＞ｉｃｅＤ，则称Ｘ是频繁项集．在第．『个数据库 生成的惫项目候选集用ＣＬ。（Ｊ）表示，在第Ｊ个数据 库生成的是项目频繁项集为局部频繁项目集，用Ｌｋ （歹）表示，在全局数据库Ｄ中生成的是项频繁项集为 全局项集，用ＧＬ。（Ｄ）表示，发送到第Ｊ个结点上的全 局走项集用ＧＬ＾（ｊ）表示．
联规则的挖掘算法主要有［１］Ａｇｒａｗａｌ等提出的基于 Ａｐｒｉｏｒｉ算法的频集方法．为了提高关联规则的挖掘 效率，研究人员又提出了并行挖掘算法，主要包 括：［２引Ａｇｒａｗａｌ等人提出的ＣＤ算法，Ｐａｒｋ等人提出 的ＰＤＭ算法，Ｃｈｕｅｎｇ等人提出了ＦＤＭ和ＤＭＡ算 法．这些算法虽然具有速度快、容易实现等优点，但也 存在着可扩性较差、候选项集大、规则合成难度高等 缺点．
高效的基于动态数据更新的关联规则挖掘算法
高效的基于动态数据更新的关联规则挖掘算法
刘松;林海萍
【期刊名称】《计算机系统应用》
【年(卷),期】2005(000)005
【摘要】在本文中,我们针对动态关联规则挖掘问题提出两个有效的处理算法,即EIM-A和EIM-G算法.它们能根据数据库的动态变化,高效地进行关联规则的更新.通过知识数据库的维护,最多只需要扫描原始数据库一次,就能得到所需的频繁项目集,能有效地降低更新关联规则所需的成本.
【总页数】5页(P51-54,58)
【作者】刘松;林海萍
【作者单位】广州,广东商学院信息学院,510320;广州,广东商学院信息学
院,510320
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于预判筛选的高效关联规则挖掘算法 [J], 赵学健;孙知信;袁源
2.基于等价类规则树的高效关联规则挖掘算法 [J], 刘晓蔚
3.基于Apriori的高效关联规则挖掘算法在教育考试系统中的应用研究 [J], 冯璐妹;赵建宁
4.基于高效关联规则挖掘算法的智能评卷模型研究 [J], 陈艺
5.一种基于压缩矩阵的高效关联规则挖掘算法 [J], 潘俊辉; 张强; 王辉; 王浩畅
因版权原因，仅展示原文概要，查看原文内容请购买。
关联规则挖掘算法
关联规则挖掘算法关联规则挖掘算法的核心思想是寻找频繁项集和关联规则。
频繁项集是指经常同时出现的物品集合，而关联规则是指物品之间的关联关系。
关联规则通常以“如果...那么...”的形式呈现，表示不同物品之间的逻辑关系。
有多种关联规则挖掘算法可供选择，其中最常见的包括Apriori算法、FP-growth算法和Eclat算法。
Apriori算法是最早也是最著名的关联规则挖掘算法之一、它基于Apriori原理，即如果一个项集是频繁的，那么它的所有子集也一定是频繁的。
该算法首先通过扫描数据集来确定频繁项集，然后使用频繁项集生成关联规则。
FP-growth算法是一种基于分析树结构的快速关联规则挖掘算法。
它通过构建频繁模式树（FP-tree）来发现频繁项集和关联规则。
FP-growth算法相对于Apriori算法具有更高的效率，因为它不需要生成候选集，而是通过对数据集的多次扫描来构建FP-tree。
Eclat算法是一种基于垂直数据表示（vertical data representation）的关联规则挖掘算法。
它将项集表示为其在事务中的出现位置的集合，通过递归地挖掘次数递减的频繁项集来生成关联规则。
Eclat算法更适用于稠密数据集，因为它只需要对数据进行水平扫描。
关联规则挖掘算法的应用非常广泛。
在市场营销中，它可以帮助企业发现产品之间的关联关系，从而进行有针对性的推广和销售。
在电子商务中，它可以通过分析用户的购买记录来推荐相关产品。
在医疗领域中，它可以帮助发现潜在的疾病风险因素。
在社交网络分析中，它可以用于发现用户之间的关联关系和行为模式。
总结来说，关联规则挖掘算法是一种强大的数据分析工具，可以帮助分析人员发现数据中的隐藏模式和规律。
不同的算法有不同的优势和适用场景，选用合适的算法可以提高挖掘效率和准确性，从而为决策提供有价值的参考。
集群系统中基于MPI的并行GMRESm计算通信的研究及应用
１
引言
在实际应用中，方程组的求解往往计算量巨大．
ＧＭＲＥｓ（ｍ）算法进行了并行化分析，并应用可移植 消息传递标准ＭＰＩ的集群通信机制在分布式存储 并行系统上设计和实现了ＧＭＲＥｓ（ｍ）并行算法，最 后将该算法应用于弹性边界元问题的求解中，经过 数值实验和实际应用．
１９８６年由Ｙ．Ｓａａｄ和Ｍ．Ｈ．ｃｈｌｔｚ提出的ＧＭＲＥＳ方 法就是一种求解大型稠密非对称线性方程组的 Ｋｒｙｌｏｖ子空间投影法，目前广泛应用于计算力学、 计算数学等工程领域．于春肖、杨爱民等［１－２］提出改 进ＧＭＲＥｓ（ｍ）算法收敛性的一种预条件方法．陈一 鸣、杨爱民等［３－４Ｊ利用分治策略对ＧＭＲＥＳ方法进行 了并行处理．除上述方法外，文中通过有效的对
Ｐａｒａｌｌｅｌ
Ｃｏｍｐｕｔａｔｉｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＧＭＲＥＳ（ｍ）Ｂａｓｅｄ ｏｎ ＭＰＩ ｉｎ Ｃｌｕｓｔｅｒ Ｓｙｓｔｅｍ
ＹＡＮＧ Ａｉ—ｍｉｎｌ，ＬＩＵ Ｒｅｎ２，ＺＨＡＯ Ｇｕａｎｇ—ｈｕａ３，ＣＵＩ Ｙｕ—ｈｕａｎｌ （１ Ｃｏｌｌｅｇｅ ｏｆ Ｓｃｉｅｎｃｅ，Ｈｅｂｅｉ Ｐｌｏｙｔｅｃｈｎｉｃ Ｕｎｉｖｅｒｓｉｔｙ，Ｔａｎｇｓｈａｎ
设有单个带空弹性体Ａ（２０ｍ×２０ｍ×２．５ｍ，
３ｍＸ ２．５ｍ），其一端固定的情况下受拉力的计算模
型．其中Ａ物体的弹性模量Ｅ＝２１０ＧＰａ，泊松比勘 ＝０．３，所受到的均布载荷Ｐ＝１０４ＭＰａ．
计算中取并行ＧＭＲＥＳ（ＩＴＩ）中优＝２０，Ｐ＝８
时，计算的误差分别为：
ＲＫＩ＝２．３６６６６７８５６２４１１４５４Ｅ一００５；
ｓｔａｂｉｌｉｔｙ ｔｈｒｏｕｇｈ
ｈａｓ
ｂｅｔｔｅｒ ｃｏｍｐｕｔｉｎｇ ｐｒｅｃｉｓｉｏｎ，ｂｅｔｔｅｒ ｅｆｆｉｃｉｅｎｃｙ ａｎｄ ｂｅｔｔｅｒ
集群系统中基于MPI的关联规则快速挖掘算法
ｗｈ ｃ ｅ ｄ ｎ ｙ ｓ ｍ ｅ ｌ ｇ ｃ ｏ ｅ ａ ｉ ｎ ｕ ｈ ａ ‘ ｎ ， ｏ ’ ｎ ‘ ｏ ’ ｅ ｒ ａ ｅ ｈ ｅ ｌ ｉ ｇ ｄ ｆｉ ｕ ｔ ，ｒ — ｉ ｈ ｎ ｅ ｓ ｏ ｌ ｏ ｏ ｉ ｐ ｒ ｔｏ ｓ ｓ ｃ ｓ ａ ｄ’ ‘ ｒ ａ ｄ ｘ ｒ ，ｄ ｃ ｅ ｓ ｓ ｔ ｅ ｒ ａ ｉ ｎ ｉ ｃ ｌｙ ｅ ｚ ｆ ｄ ｃ ｓ ｔ ｅ ｎ ｔ ｒ ｒ ｆ ｉ ａ ｄ ｉ ｃ ｅ ｓ ｓ ｔ ｅ ｍ ｉ ｉ ｇ ｅ ｆ ｉ ｎ ｙ Ｉ ｓｐ ｏ ｅ ｈ ｏ ｅ ｉａ ｌ ｈ ｔｔ ｅ ａ ｇ ｒｔ ｍ ａ ｕ ｅ ｈ ｅ ｗｏ ｋ ｔ ａ ｆ ｎ ｎ ｒ ａ ｅ ｈ ｎ ｎ ｆｉ ｅ ｃ ． ｔｉ ｒ ｖ ｄ ｔ ｅ ｒ ｔｃ ｌ ｔ ａ ｈ ｌ ｏ ｉｈ ｈ ｓ ｃ ｃ ｙ
集群 系 统 （ｌｓｅ） 称机 群 系统 指“ ｃｕ ｔｒ也 利用 高 速通
联 规则 的挖 掘 算 法 主要 有 【 Ａｇａ ｌ 提 出 的基 于 １ ｒｗａ 等 ］ Ａｐ ｉｒ算 法 的频 集 方 法． 了提 高关 联 规 则 的挖 掘 ｒ ｉ ｏ 为 效 率 ， 究 人 员 又 提 出 了 并 行 挖 掘 算 法 ， 要 包 研 主 括 ：－ Ａｇａ ｌ ［５ ｒｗａ 等人 提 出的 Ｃ 算法 ， ａｋ等人 提 出 ２］ Ｄ Ｐｒ 的Ｐ ＤＭ 算法 ， ｈ ｅ ｇ等 人 提 出 了 Ｆ Ｍ 和 Ｄ Ｃ ｕｎ Ｄ ＭＡ 算
Ｂ ｈ ｉＵｎｖ ｏ ａ ｉ．，Ｊｎ ｈ ｕ １ １ ０ ，Ｃｈ ｎ ） ｉｚ ｏ ２ ０ ３ ｉａ
Ａｂ ｔ ａ ｔ Ｃｌ ｓ ｅ ｓ ａ ｋ ｎｄ ｏ ｉ ｔｉ ｕｔ ｄ ｓ ｏ ａ ｅ ｓ ｓ ｅ ，ｗｈｉｈ ｍｏｓ ｌ ｄｏ ｓ ｔ ｅ ｍｅ ｈ ｆｍｅ ｓ ｇ ｓ ｉ ｇ ｓｒ ｃ ｕ ｔ ｒ ｉ ｉ ｆｄ ｓ ｒ ｂ ｅ ｔ ｒ ｇ ｙ ｔ ｍ ｃ ｔｙ ａ ｐｔ ｈ ｔ ｏｄ ｏ ｓ ａ ｅｐａ ｓ ｎ ｔ ｅ ｌ ｅ ｔ ｏｍｍ ｕ ｃ ｔｏｎ ｂｅ ｗｅ ｎ ｅ ｅ ｙ ｎ ｅ Ｔｈ ｏ ｇｈ ｔ ｅ ｉ ｅ ｆ ｃ ｏ ｅ ｓ ｇｅ ｐ ｓ ｉ ｇ ｏ ＰＩ ｏ ｒ ａ ｉ ｈｅ ｃ ｚ ｎｉａ ｉ ｔ ｅ ｖ ｒ ｏｄ ． ｒ ｕ ｈ ｎｔ ｒ ａ ｅ ｆ ｒ ｍ ｓ ａ ａ ｓ ｎ ｆ Ｍ ，ｐｕ ｓ ｔ ｆ ｗｏｒ ａ ｔｐ ｒ ｌｅ ｌ ｒｔ ｍ ｏ ｎ ｎ ｓ ｏ ｉ ｔｏ ｕ ｅ ｓ ｄ ｏ ｎａ ｙ ｄａ ａ ｓ ｏ ａ ｎｄ ｅ ｍ ｐｕ ａ ｉ ｏｒ ｄ ａ ｆ ｓ ａ ａ ｌ ｌａ ｇｏ ｉｈ ｆ ｒ ｍｉ ｉ ｇ ａ ｓ ｃａ ｉ ｎ ｒ ｌ ｓ ｂａ ｅ ｎ ｂｉ ｒ ｔ ｔ ｒ ｇｅ ａ ｏ ｔ ｔｎｇ，
基于遗传算法的双向关联规则挖掘
基于遗传算法的双向关联规则挖掘
曾令明;金虎
【期刊名称】《微电子学与计算机》
【年(卷),期】2006()z1
【摘要】关联规则挖掘是数据挖掘和知识发现中一门重要技术,但基于支持度-置信度框架的关联规则挖掘存在一些问题。
文章引入了双向关联规则的概念,实现了基于遗传算法的双向关联规则挖掘算法。
实验证明,它能弥补传统关联规则挖掘算法的不足。
【总页数】3页(P35-37)
【关键词】数据挖掘;双向关联规则;遗传算法
【作者】曾令明;金虎
【作者单位】成都信息工程学院网络工程系;四川大学计算机学院
【正文语种】中文
【中图分类】TP311.13
【相关文献】
1.基于遗传算法的农产品评价信息关联规则挖掘 [J], 王玉珍;周朝进;王倩
2.基于遗传算法的关联规则挖掘技术在体质监测分析中的应用 [J], 彭中莲
3.基于自适应遗传算法的多维数据关联规则挖掘 [J], 闫磊;何志方;赵文娜;李远;姚非
4.基于信息熵与遗传算法的并行关联规则增量挖掘算法 [J], 毛伊敏;邓千虎;陈志刚
5.基于遗传算法的建筑安全事故关联规则挖掘 [J], 刘强;杨壹
因版权原因，仅展示原文概要，查看原文内容请购买。
一种快速的关联规则挖掘算法
一种快速的关联规则挖掘算法
李涛
【期刊名称】《软件导刊》
【年(卷),期】2007(000)012
【摘要】关联规则挖掘向来是数据挖掘的一个重要领域,挖掘算法也层出不穷。
本文在深入分析FP树特性的基础上,改进了FP树的构造过程,通过一次扫描事务数据库即可生成FP树。
从而缩短了关联规则挖掘时间,提高了效率,实验验证了其有效性。
【总页数】2页(P140-141)
【作者】李涛
【作者单位】南京信息工程大学电子与信息工程学院通信工程系;江苏南京210044
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.一种改进的基于关系矩阵的关联规则快速挖掘算法 [J], 王安;仇德成;安云峰;王继伟
2.一种基于决策树的快速关联规则挖掘算法 [J], 陈雪飞
3.一种基于矩阵结构的快速关联规则挖掘算法 [J], 何胜文;周绍梅;雷昌瑜;陈丽君
4.一种基于SFP树的快速关联规则挖掘算法 [J], 李龙澍;王永;魏博诚
5.一种基于MFP树的快速关联规则挖掘算法 [J], 李志云;周国祥
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于MapReduce的关联规则挖掘算法
一种基于MapReduce的关联规则挖掘算法周国军【期刊名称】《玉林师范学院学报》【年(卷),期】2014(35)5【摘要】本文从减少I/O时间的角度出发，结合云计算Hadoop平台的MapReduce模型，提出了一种基于MapReduce的关联规则挖掘算法。
算法采用幂集计算候选项集，采用MapReduce模型在多个节点上并行找出所有频繁项集，只需要扫描事务数据库1次。
实验结果表明：在事务的平均项长较小的情况下，算法具有很好的加速比和数据规模增长性。
%From the viewpoint of reducing I/O time, according to MapReduce of Hadoop platform of cloud computing, this paper presents an algorithm for mining association rules based on MapReduce. The algorithm uses power set to compute candidate itemsets, and finds all frequent itemsets in parallel with MapReduce model, which scan the transaction database only once. Experimental result shows that the algorithm can achieve a good speedup and data sizeup under the condition that the length of itemset in transaction is not very longer .【总页数】7页(P128-134)【作者】周国军【作者单位】玉林师范学院数学与信息科学学院，广西玉林 537000【正文语种】中文【中图分类】TP311【相关文献】1.一种基于MapReduce的压缩矩阵关联规则挖掘算法 [J], 安建瑞;王海鹏;张龙波;金超;怀浩2.一种基于MapReduce的压缩矩阵关联规则挖掘算法 [J], 安建瑞;王海鹏;张龙波;金超;怀浩;3.基于MapReduce的隐私保护的关联规则挖掘算法的研究 [J], 熊富蕊;桑应朋;4.基于MapReduce计算模型的并行关联规则挖掘算法研究综述 [J], 肖文;胡娟;周晓峰5.基于MapReduce的关联规则挖掘算法的研究及应用 [J], 罗海洋因版权原因，仅展示原文概要，查看原文内容请购买。
基于MapReduce计算模型的并行关联规则挖掘算法研究综述
炸性增长，人类已经进入了大数据时代，传统的关联规则挖掘 算法已经不能适应大数据挖掘的要求，主要困难是：单一计算 机无法存储所需要挖掘的所有数据及挖掘过程中产生的中间 结果；挖掘过程所需要的内存远远超过单一机器的存储量；计 算时间太长无法忍受等。需要开发分布式、并行关联规则挖掘 算法解决上述问题。
数据挖掘（ｄａｔａｍｉｎｉｎｇ）又称做知识发现（ｋｎｏｗｌｅｄｇｅｄｉｓｃｏ ｖｅｒｉｎｄａｔａｂａｓｅ，ＫＤＤ），其目的在于发现大量数据集中有价值的 隐含信息。常见的数据挖掘任务有关联规则挖掘、分类、聚集、 离群点检测等。关联规则挖掘是最重要的数据挖掘任务之一， 由 Ａｇｒａｗａｌ等人［１］提出，其目的是发现事务（项）之间存在的隐 含关联。关联规则挖掘一般分为两个阶段，即发现频繁项集和 根据频繁项集产生关联规则。由于根据频繁项集产生关联规 则相对容易实现，所以关联规则挖掘研究主要关注的是如何在 数据集中找到频繁出现的项集，这个过程也称为频繁项集挖掘 （ｆｒｅｑｕｅｎｔｉｔｅｍｓｅｔｓｍｉｎｉｎｇ）或 频 繁 模 式 挖 掘 （ｆｒｅｑｕｅｎｔｐａｔｔｅｒｎｓ ｍｉｎｉｎｇ）。传统的关联规则挖掘算法主要可以分为三类：ａ）产 生—测试方法，通过迭代产生候选频繁项集并进行分别计数， 统计得到频繁项集，典型的算法是 Ａｇｒａｗａｌ等人［２］提出的算法 及其一系列的改进算法，如 ＤＨＰ［３，４］、ＤＩＣ［５］等；ｂ）模式增长方 法，它不用产生候选项集，而是将所有频繁项压缩成一种特殊 的数据结构（一般为树结构），通过在数据结构上进行遍历直 接产 生 频 繁 项 集，典 型 的 算 法 有 ＦＰＧｒｏｗｔｈ［６］、ＬＰｔｒｅｅ［７］、 ＦＩＵＴ［８］、ＩＦＰ［９］、ＦＰＬ／ＴＰＬ［１０］等；ｃ）垂 直 格 式 方 法，是 将 水 平 格 式的数据集转换成垂直格式，通过交运算来得到频繁项集，典 型的算法有 Ｅｃｌａｔ等。
关联挖掘算法
关联挖掘算法
关联挖掘算法是一种在大规模数据集中寻找频繁项集或关联规则的算法。
它可以帮助我们发现哪些项经常同时出现（频繁项集），或哪些项之间有着某种关系（关联规则）。
以下是一些关联挖掘算法的简介：
1. Apriori算法：Apriori算法是一种经典的关联挖掘算法，其基本思想是从单项集开始，利用迭代和尝试的方式逐步生成更大的项集。
Apriori算法的算法时间复杂度较高，但可以快速地找到频繁项集。
2. FP-Growth算法：FP-Growth算法是一种基于FP树的关联挖掘算法。
FP树是一种高效的数据结构，它可以大大降低挖掘频繁项集的时间复杂度。
与Apriori算法不同，FP-Growth算法不需要生成候选项集，因此可以大幅度提高性能。
3. Eclat算法：Eclat算法是一种基于垂直数据格式的关联挖掘算法，可以大幅度提高挖掘频繁项集的效率。
Eclat算法利用深度优先搜索算法来逐步生成频繁项集。
4. 关联规则挖掘算法：这是一种基于频繁项集的关联规则挖掘算法。
它的基本思想是根据物品的出现频率和置信度，找到一些特定的规则或关联关系。
总之，关联挖掘算法是一种帮助我们发现数据集中项之间关系的重要
1/ 2
技术，可以应用于市场营销、推荐系统、网络安全、医学诊断等领域。
2/ 2。
基于云计算的关联规则挖掘算法
关联 规则 … 挖掘 可 以发现 大量 数据 中项集 之 间有 趣 的关联 或相关 联 系 。随着 大量数 据不 停地
２ 云计算 及关 键技术
据 库里 出现 的频率 ， 项集 的支 持度 是 包 含 的
事 务在 数据库 Ｄ 中所 占的百分 比 ， 计算式 为 ： 其
ｓｐ ｏ ）＝ ｕ ｐ ｎ（ （） １
是 一种计 算模 式 ， 也是 一 种 全 新 的 商业 模 式 。云
计 算 （ ｌ ｄＣ ｍ ｕｉｇ 是 分 布 式 处 理 （ ｉ ｒ ｕｅ Ｃｏ ｏ ｐ ｔ ） ｕ ｎ Ｄｓ ｉ ｔｄ ｔｂ Ｃ ｍ ｕｉｇ 、 行 处 理 （ ａａ ｅ Ｃ ｍｐ ｔ ｇ 和 网 格 ｏ ｐｔ ）并 ｎ Ｐ ｒｌ ｌ ｏ ｕｉ ） ｌ ｎ
恰 当地 设 置 两 个 额 外 参 数 ， 能 够 保 证 挖 掘 才
的效果 ， 通 过 Ｒ ｄ ｃ 再 ｅ ｕｅ函数 的程 序 将 结 果 汇整 ，
输 出要 得 到的结 果 。
笔 者 在 Ｍ ｐ ｅｕ ｅ框架 下 ， Ａ ｒ ｒ 算法进 ａＲ ｄ ｃ 对 ｐｉ ｉ ｏ
行研究 ， 效地 实现 了关 联 规则 的挖掘 。 有 ３ 云计 算下 的关联 规则挖 掘 ３ １ 关 联规则 挖 掘 的定 义 ． 设 医疗信 息 活 动 中产 生 一 个 事 务数 据 库 ， 记 为 Ｄ， Ｄ中 的事 务数 为 Ｊ 设 Ｄ包 含 ｎ个 不 同 记 １ Ｄ ．
其 中 Ｄ（ ） 数 据 库 Ｄ 包 含 的 事 务 数 。 是