改进Apriori算法：基于分辨矩阵的含负属性项关联规则挖掘

在2012年的《江西师范大学学报(自然科学版)》第36卷第1期中，王培吉、章树玲和赵玉琳发表了一篇关于"基于分辨矩阵的含负属性项关联规则挖掘"的研究论文。该文章针对Apriori算法存在的问题进行了深入探讨，尤其是候选集和频繁集产生效率低下，以及可能丢失有趣强关联规则的问题。Apriori算法的核心是逐层搜索的迭代方法，它在寻找更高阶的关联规则时，会生成大量的候选集，这在处理大规模数据库时效率低下，并且多次扫描数据库造成大量输入输出开销。 传统的Apriori算法对于挖掘含负属性项（即包含否定属性的规则，如“买笔记本 ⇒ 不买台式电脑”）的关联规则并不适用，因为这类规则往往具有更高的实际意义，比如能更准确地描述消费者的购买行为。然而，由于算法设计的局限，这些有价值的规则往往被忽视。 为了克服这些问题，研究人员提出了一种基于分辨矩阵的改进算法。这种方法不再依赖于生成候选集，而是直接从原始数据中一次性计算出频繁集，显著提高了效率。同时，它能够有效过滤掉无趣的关联规则，优先挖掘那些支持度和置信度符合阈值，且包含负属性项的有趣规则，从而提高关联规则挖掘的质量和有效性。 通过这种方法，论文提供了一个实际案例来演示这种改进算法的应用，证明了它在处理含负属性项关联规则挖掘上的优势。作者王培吉，作为主要贡献者，是内蒙古科技大学数理与生物工程学院的副教授，专注于数据库和数据挖掘领域的研究，他的工作得到了国家自然科学基金（81060238）的支持。 这篇文章的主要贡献在于提出了一种创新的关联规则挖掘策略，不仅解决了传统Apriori算法的效率问题，还提升了挖掘结果的质量，这对于理解和预测用户行为，特别是在商业智能和市场分析领域具有重要意义。