中文引用格式： 王志昊，蘇明月，李東方，等. 基于約束的多維Apriori改進算法[J]. 電子技術應用，2023，49(10)：100-105.
英文引用格式： Wang Zhihao，Su Mingyue，Li Dongfang，et al. Algorithm of multi-dimensional Apriori with constraints[J]. Application of Electronic Technique，2023，49(10)：100-105.
0 引言
現代社會，生產力快速發展，通過不斷變革生產信息技術，人們大大提高了創造和收集數據的能力，迅速擴大了數據資料的規模。急劇增長的數據資料和數據庫迫使人們采用新的技術手段和工具來處理海量的數據，自動自主地幫助人們管理、提取并分析有用的信息，來發掘有價值的知識，為人們提供決策服務。由此，數據挖掘（Data Mining）[1] 在這樣的宏觀背景下誕生。將數據挖掘技術充分運用到現實的生產中，提高企業生產的效率，降低生產成本。數據挖掘的應用范圍較廣，如聚類、預測、分類、異常分析以及相互關聯性分析。
數據挖掘中，關聯規則是較為主要的研究對象。其中頻繁項集的產生是最核心、最受關注的問題。關聯規則反映了一個事物與其他事物之間的相互依存和關聯性[2]。換句話說，關聯規則是一種隱含在數據中的知識模型，其通過量化數字，從海量數據中挖掘出有價值的數據項之間的相關關系[3]。
關聯規則挖掘最初由Agrawal[4]等人于1993年提出，通過關聯規則的挖掘可以找出潛藏在數據庫中各個屬性之間的關系，輔助人們更合理地進行商業活動、金融決策和生產生活等。
目前，典型的挖掘關聯規則的算法主要是Apriori算法[5]，其核心在于找到數據庫中的所有頻繁項集。Apriori算法通過逐級產生頻繁項集并利用先驗性質縮減候選項集產生。在掃描數據集的過程中，Hossain提出可使用自動遞歸連接來挖掘候選項目集[6]，然后剪枝用于挖掘頻繁項集。2021年，Li等人提出基于時序約束的關聯規則挖掘，減小了系統開銷[7]。Wang等人利用MapReduce的思想改進Apriori算法，有效提高了搜索效率[8]。2022年，Dhinakaran等人集成Apriori算法和仿生算法，通過降低處理大型數據集時的低運行時性能來解決頻繁項集問題[9]。
本文詳細內容請下載：http://m.jysgc.com/resource/share/2000005721
作者信息：
王志昊，蘇明月，李東方，沈煒，楊光
（北京計算機技術及應用研究所，北京 100854）
