优化双压缩Apriori算法提升关联规则挖掘效率

本文主要探讨了"基于双压缩的Apriori算法优化设计"这一主题，针对Apriori算法在处理大规模数据时存在的性能瓶颈问题，提出了Apriori_DC（Apriori Double Compression）算法。Apriori算法是经典的关联规则挖掘算法，它通过递归地生成频繁项集来发现潜在的规则。然而，随着数据集规模的增大，其计算复杂性和内存消耗也随之增加，这成为算法效率提升的一个限制。 Apriori_DC算法的核心在于双压缩策略。首先，该算法通过对事务数据库进行压缩，减少了事务记录的数量，通过减少每个事务中的数据项，进一步减小了数据的存储空间。这种压缩方法有助于降低频繁项集搜索的复杂性，因为候选集的生成将依赖于更少的数据元素。其次，通过在早期阶段就识别并合并频繁项集，Apriori_DC算法能够避免生成大量的冗余候选集，从而显著减少后续处理的工作量。 在实验验证部分，研究者对比了Apriori_DC算法与传统Apriori算法在不同条件下的性能。当数据量保持不变，但支持度要求提高时，Apriori_DC表现出更好的效率；反之，当支持度保持恒定，而数据量增加时，Apriori_DC也显示出明显的优势。值得注意的是，Apriori_DC算法执行过程中，事务数据库的数据量持续减少，这进一步证实了其在处理大规模数据时的优越性。 本文的研究成果对解决实际中的大数据关联规则挖掘问题具有重要意义，特别是在资源有限的环境中，Apriori_DC算法提供了更为有效的解决方案。关键词包括Apriori算法、Apriori_DC算法、关联规则、频繁项集和数据压缩。该研究被发表在《仲恺农业工程学院学报》上，得到了国家自然科学基金、广东省科技计划和广州市科技计划等项目的资助，作者郑建华等人作为主要贡献者，他们的联系信息也有所提及。整个研究遵循了严格的学术规范，采用国际通用的DOI标识，便于读者追踪和引用。