1、關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘的一個(gè)非常重要的研究分支，難點(diǎn)在于其挖掘?qū)ο笫呛Ａ繑?shù)據(jù)。Apriori算法需要對(duì)數(shù)據(jù)庫進(jìn)行多次掃描，在真正的海量數(shù)據(jù)庫挖掘中難以實(shí)用；FP-Growth算法相對(duì)于Apriori算法在效率上提高了一個(gè)數(shù)量級(jí)，但內(nèi)存消耗大，在海量級(jí)數(shù)據(jù)庫實(shí)現(xiàn)上也存在困難。當(dāng)前國內(nèi)外研究關(guān)聯(lián)規(guī)則的文獻(xiàn)很多，大多數(shù)集中在對(duì)上述兩個(gè)算法的改進(jìn)上。
　　 本文研究如何由已知的事務(wù)數(shù)據(jù)庫求出其相應(yīng)的頻繁項(xiàng)集和如何對(duì)由最大頻繁項(xiàng)集生成的關(guān)

2、聯(lián)規(guī)則進(jìn)行有效性檢驗(yàn)。本文針對(duì)頻繁項(xiàng)集挖掘分類提出了基于TD處理事務(wù)數(shù)據(jù)表的頻繁項(xiàng)集挖掘算法，分別用于產(chǎn)生完全頻繁項(xiàng)集、頻繁閉項(xiàng)集和最大頻繁項(xiàng)集。算法在整個(gè)挖掘過程中，只需要掃描一次事務(wù)數(shù)據(jù)庫。在由最大頻繁項(xiàng)集生成關(guān)聯(lián)規(guī)則的時(shí)候，可能會(huì)產(chǎn)生大量的冗余規(guī)則，這使得用戶分析和利用這些規(guī)則變得十分困難。本文對(duì)已有的多種關(guān)聯(lián)規(guī)則刪剪技術(shù)進(jìn)行了研究，發(fā)現(xiàn)了它們存在的問題，提出把約束性作為一種新的刪剪技術(shù)。將基于TD處理事務(wù)數(shù)據(jù)表的頻繁項(xiàng)集挖掘算法