关联规则挖掘算法综述
本文介绍了关联规则的基本概念和分类方法，列举了一些关联规则挖掘算法并简要分析了典型算法，展望了关联规则挖掘的未来研究方向。
1引言
关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。它在数据挖掘中是一个重要的课题，最近几年已被业界所广泛研究。关联规则挖掘的一个典型例子是购物篮分析。关联规则研究有助于发现交易数据库中不同商品（项）之间的联系，找出顾客购买行为模式，如购买了某一商品对购买其他商品的影响。分析结果可以应用于商品货架布局、货存安排以及根据购买模式对用户进行分类。Agrawal等于1993年首先提出了挖掘顾客交易数据库中项集间的关联规则问题AIS93b，以后诸多的研究人员对关联规则的挖掘问题进行了大量的研究。他们的工作包括对原有的算法进行优化，如引入随机采样、并行的思想等，以提高算法挖掘规则的效率；对关联规则的应用进行推广。最近也有独立于Agrawal的频集方法的工作HPY00，以避免频集方法的一些缺陷，探索挖掘关联规则的新方法。也有一些工作KPR98注重于对挖掘到的模式的价值进行评估，他们提出的模型建议了一些值得考虑的研究方向。
2基本概念
设Ii1i2im是项集，其中ikk12…m可以是购物篮中的物品，也可以是保险公司的顾客。设任务相关的数据D是事务集，其中每个事务T是项集，使得TIacuteI。设A是一个项集，且AIacuteT。关联规则是如下形式的逻辑蕴涵：ATHORNB，AIgraveIAIgraveI，且A∩BF。关联规则具有如下两个重要的属性：支持度PA∪B，即A和B这两个项集在事务集D中同时出现的概率。置信度PB｜A，即在出现项集A的事务集D中，项集B也同时出现的概率。同时满足最小支持度阈值和最小置信度阈值的规则称为强规则。给定一个事务集D，挖掘关联规则问题就是产生支持度和可信度分别大于用户给定的最小支持度和最小可信度的关联规则，也就是产生强规则的问题。
3关联规则种类
f基于规则中处理的变量的类别，关联规则可以分为布尔型和数值型。1基于规则中处理的变量的类别，关联规则可以分为布尔型和数值型。布尔型关联规则处理的值都是离散的、种类化的，它显示了这些变量之间的关系。数值型关联规则可以和多维关联或多层关联规则结合起来，对数值型字段进行处理，将其进行动态的分割，或者直接对原始的数据进行处理，当然数值型关联规则中也可以包含种类变量。基于规则中数据的抽象层次，可以分为单层关联规则和多层关联规则。2基于规r