并行分布式ARM算法综述：挑战与扩展性

本文主要探讨了计算机专业领域的关键课题——并行与分布关联规则挖掘（ARM）在论文中的翻译和应用。ARM作为一种非直接或无监督的数据挖掘技术，其核心目标是发现频繁项集之间的规律，这些规律反映了项目组合如何影响其他项目组合。最初，ARM在市场篮子分析中得到广泛应用，例如通过"90%的客户购买产品A时，也会购买产品B"这样的规则，揭示消费者的购物行为模式。 然而，ARM的特点决定了其计算和I/O需求非常高，特别是当数据集规模庞大时，传统的连续算法在处理海量数据的可扩展性上存在局限。这就需要借助并行和分布式计算的力量，使得算法能够有效应对大数据挑战。作者对现有的并行和分布式ARM算法在不同硬件平台上的实现进行了深入研究，指出这是当前计算机专业研究的一个开放问题。 文章进一步讨论了关联规则挖掘的问题陈述和复杂性。在这个过程中，关系挖掘工程涉及对项目、事务和项集的处理，例如K项集（包含K个项目的集合）、事务的依赖集S(X)、频繁项集和支持度等概念。如果一个项集的依赖项远超用户设定的最小依赖值，那么它就被认为是频繁的。关联规则表达为A=>B，其中A和B都是项集，规则的支持度基于事务中包含A和B的所有可能组合的频率。 值得注意的是，规则的可靠性取决于在满足一定条件下，B出现的概率。如果一个规则的依赖远大于最小支持度阈值(min_suo)，那么该规则被认为是可信的。本文通过对这一复杂过程的翻译，旨在帮助读者理解并应用于实际的计算机科学项目中，特别是在数据库管理和数据挖掘领域。