项项正相关兴趣度量：一种改进的关联规则挖掘算法

"基于改进FP树的项项正相关关联规则挖掘" 关联规则挖掘是数据挖掘领域的一个核心问题，旨在发现数据库中项集之间的频繁模式。传统的关联规则挖掘通常使用支持度和置信度作为评价标准，其中支持度衡量一个模式在所有事务中的出现频率，而置信度则表示一个前件（antecedent）项集到后件（consequent）项集的转换概率。然而，这些标准可能无法捕捉某些特定类型的模式，如项项正相关的模式，即一个项的存在可以增加其他项出现的可能性。 文章提出的"项项正相关兴趣度量"是一种新的兴趣度量方法，它特别关注于模式中各元素之间的相互增强关系。这种方法具有反单调性，意味着如果一个项集的子集在事务中更常见，那么这个项集的项项正相关兴趣度量也应该更高。这样的设计使得挖掘出的模式更加有意义，因为它们不仅频繁出现，而且彼此之间存在正向关联。 FP-growth算法是一种常用的关联规则挖掘算法，它利用FP树（频繁项集树）的数据结构有效地存储和挖掘频繁项集。然而，在挖掘低支持度模式时，FP-growth算法的效率可能会降低。为了改进这一点，文章提出了一个基于节点链接FP树（NodeLinkedListFP-Tree）的改进算法。这种新结构通过压缩FP树，减少了内存消耗，并且利用非递归调用的方法降低了建立条件模式树的成本，从而提高了效率。 此外，文章还引入了一种项项正相关兴趣度量剪枝策略。在挖掘过程中，通过这个剪枝策略，可以避免挖掘那些不满足项项正相关条件的长模式和无效项集，这样可以扩大挖掘的支持度阈值范围，进一步优化挖掘过程，提高效率并降低计算资源的消耗。 实验结果显示，提出的算法在挖掘项项正相关关联规则时表现出高效性和可行性，证实了新兴趣度量和剪枝策略的有效性。这项工作对关联规则挖掘领域的兴趣度量和剪枝策略提供了新的思考，对于理解和发现复杂数据集中的隐藏关联有重要的理论和实践价值。