【正文】 少數(shù)據(jù)庫掃描次數(shù)；另一種是利用采樣技術(shù)，對(duì)要挖掘的數(shù)據(jù)集合進(jìn)行選擇；最后是采用并行數(shù)據(jù)挖掘技術(shù)。 (1)數(shù)據(jù)項(xiàng)和數(shù)據(jù)項(xiàng)集 設(shè) I ={i1， i2， ...， im}是 n個(gè)不同項(xiàng)目的集合 ,則每一個(gè)項(xiàng)目 ik(ｋ =1,2,?,n) 稱為數(shù)據(jù)項(xiàng) (item)。每一個(gè)事務(wù)賦予一個(gè)唯一的標(biāo)識(shí)符 TID。Ｘ的支持度為 : Support (Ｘ )=Ｐ (Ｘ ) 關(guān)聯(lián)規(guī)則挖掘 (4)關(guān)聯(lián)規(guī)則及其支持度和置信度 一個(gè)關(guān)聯(lián)規(guī)則就是具有“ X→Y ”形式的蘊(yùn)含式，其中有 X ? I， Y ? I且 X∩Y= ? 。規(guī)則 X→Y 的置信度 (Confidence)為ｃ ,是指在Ｄ中包含Ｘ的事務(wù)有ｃ %的事務(wù)同時(shí)又包含Ｙ , 即出現(xiàn)數(shù)據(jù)項(xiàng)集Ｘ的前提下 ,出現(xiàn)數(shù)據(jù)項(xiàng)集Ｙ的概率 ,其表達(dá)式為confidence(X→Y)=P(Y∣X) 。所有頻繁 k項(xiàng)集的集合就記為 Lk。 如果不考慮關(guān)聯(lián)規(guī)則的支持度和可信度，那么在事務(wù)數(shù)據(jù)庫中存在無窮多的關(guān)聯(lián)規(guī)則。后者即用戶規(guī)定的關(guān)聯(lián)規(guī)則必須滿足的最小可信度，它反應(yīng)了關(guān)聯(lián)規(guī)則的最低可靠度。由于步驟二中的相應(yīng)操作極為簡(jiǎn)單，因此挖掘關(guān)聯(lián)規(guī)則的整個(gè)性能就是由步驟一中的操作處理所決定。這一循環(huán)方法就是利用 k項(xiàng)集來產(chǎn)生 (k+1)項(xiàng)集。 輸入：交易數(shù)據(jù)庫 D最小支持閾值 min_sup 輸出： Li， D中的頻繁項(xiàng)集； 處理流程： (1) L1=find_frequent_1_itemset(D)； //發(fā)現(xiàn) 1項(xiàng)集 (2) for(k=2。 //獲得 t所包含的候選項(xiàng)集 (6) for each c ? Ct ++ 。 (1)基于劃分的方法 (2)基于 HASH技術(shù)的方法 (3)基于采樣技術(shù)的方法 對(duì)于很多應(yīng)用來說，由于數(shù)據(jù)分布的分散性，所以很難在數(shù)據(jù)最細(xì)節(jié)的層次上發(fā)現(xiàn)一些強(qiáng)關(guān)聯(lián)規(guī)則。 多層關(guān)聯(lián)規(guī)則的挖掘基本上可以沿用“支持度 可信度”的框架。不過，在支持度的設(shè)置問題上有一些又考慮的東西。但序列模式挖掘側(cè)重點(diǎn)在于分析數(shù)據(jù)間的前后序列關(guān)系。 2．基本定義 序列模式的元素也可以不只是一個(gè)元素 (如一本書 )，它也可以是一個(gè)項(xiàng)集 (item set)。一個(gè)序列 s可以表示為 s1,s2…sn，這里的 sj代表的是一個(gè)項(xiàng)集。前者表示項(xiàng) 3和項(xiàng) 5是先后購買的，而后者則表示項(xiàng) 3和項(xiàng) 5是同時(shí)購買的，這就是區(qū)別所在。我們稱這樣的序列為客戶序列 (customersequence)。如圖 。而每個(gè)這樣的最大序列就代表了一個(gè)序列模式 (sequential pattern)。 一個(gè)項(xiàng)集 i的支持是指那一部分在單次交易中買了項(xiàng)集 i中的項(xiàng)的那一部分客戶。因此，任何大序列都是大項(xiàng)集的列表所組成。在每次遍歷中，我們從一個(gè)由大序列 (large sequence)組成的種子集(seed set)開始，利用這個(gè)種子集，可以產(chǎn)生新的潛在的大序列。countall 累計(jì)所有大序 列，包括非最大序列 (nonmaximal sequence)，在找最大階段 (maximal phase)，這些非最大序列必須被刪除。在面臨如此龐大的信息空間以及 Web組織無序化的情況下，搜索是解決網(wǎng)絡(luò)信息無序和混亂的一個(gè)基本方法，現(xiàn)代社會(huì)的競(jìng)爭(zhēng)趨勢(shì)要求能夠?qū)@些信息進(jìn)行實(shí)時(shí)和深層次的分析，因此，如何利用數(shù)據(jù)挖掘知識(shí)，進(jìn)一步提高 Web信息搜索的性能成為眾多學(xué)者研究的熱點(diǎn)。 Web的數(shù)據(jù)量目前以 Terabytes計(jì)算，而且仍然在迅速地增長(zhǎng)。 （ 3） Web是一個(gè)動(dòng)態(tài)性極強(qiáng)的信息源。 （ 4） Web面對(duì)的是一個(gè)廣泛的形形色色的用戶群體。 WEB挖掘 （ 5） web上的信息只有很小的一部分是相關(guān)的或有用的。 web上的信息的多樣性決定了 web數(shù)據(jù)挖掘的多樣性。 （ 1）數(shù)據(jù)挖掘語言的標(biāo)準(zhǔn)化 （ 2）可視化數(shù)據(jù)挖掘 （ 3） Web 挖掘 （ 4）復(fù)雜數(shù)據(jù)類型挖掘的新方法 （ 5）交互式發(fā)現(xiàn) （ 6）可伸縮的數(shù)據(jù)挖掘方法 （ 7）數(shù)據(jù)挖掘與數(shù)據(jù)庫系統(tǒng)、數(shù)據(jù)倉庫系統(tǒng)和 Web 數(shù)據(jù)庫系統(tǒng)的集成 （ 8）數(shù)據(jù)挖掘中的隱私保護(hù)與信息安全 （ 9）應(yīng)用的探索 演講完畢，謝謝觀看！ 。 數(shù)據(jù)挖掘的研究熱點(diǎn)與發(fā)展趨勢(shì) 隨著網(wǎng)絡(luò)技術(shù)和數(shù)據(jù)挖掘技術(shù)的發(fā)展，從應(yīng)用的角度來看，目前有這樣一些研究熱點(diǎn)：網(wǎng)站的數(shù)據(jù)挖掘、生物信息和 DNA數(shù)據(jù)分析的數(shù)據(jù)挖掘、文本數(shù)據(jù)挖掘等幾個(gè)方面。 Web 是一個(gè)巨大的、廣泛分布的、異構(gòu)的、半結(jié)構(gòu)的、超文本 P超媒體的、相互聯(lián)系并且不斷變化的信息倉庫 , 其中包括鏈接信息、訪問使用信息等。大部分的用戶并不了解信息網(wǎng)絡(luò)結(jié)構(gòu)，不清楚搜索的高昂代價(jià)，極易在網(wǎng)絡(luò)中迷失方向，也極易在跳躍式的訪問中煩亂不已和在等待中失去耐心。新聞、股票市場(chǎng)、公司廣告和Web服務(wù)中心都在不斷地更新著各自的頁面。 （ 2） Web頁面的復(fù)雜性高于任何傳統(tǒng)的文本文檔。 Web挖掘可以在確定權(quán)威頁面、 Web文檔分類、 Web Log挖掘、智能查詢等在很多方面發(fā)揮作用。 WEB挖掘 隨著 Inter的日益普及，人們通過 Web接觸到了比以前多得多的數(shù)據(jù)和信息。在第一次遍歷前，所有在大項(xiàng)集階段得到的具有最小支持度 (minimum support)的大 1序列組成了種子集。其找出過程分為 : 排序階段、大項(xiàng)集階段、轉(zhuǎn)換階段、序列階段和選最大階段。具有最小支持 (minimum support)的項(xiàng)集稱為大項(xiàng)集 (large itemset or litemset)。具有 k長(zhǎng)度的序列稱為 k序列。一個(gè)具體序列的支持 (support)定義為那一部分支持該序列的客戶總數(shù)。 Ti中的項(xiàng)集定義成 itemset(Ti)。 序列模式挖掘 一個(gè)客戶所有的事務(wù) (transactions)可以綜合的看成是一個(gè)序列，每一個(gè)事務(wù)都由相應(yīng)的一個(gè)項(xiàng)集來表示。比如序列 (3) (4,5) (8) 包含于序列 (7) (3,8) (9) (4,5,6) (8) ，因?yàn)?(3)包含于 (3,8)，(4,5)包含于 (4,5,6)以及 (8)包含于 (8)。 序列模式挖掘 一個(gè)序列 (sequence)是一列排好序的項(xiàng)集。 序列模式挖掘 1．?dāng)?shù)據(jù)源的形式 假設(shè)我們給定一個(gè)由客戶交易 (customer transaction)組成的大型數(shù)據(jù)庫 D，每個(gè)交易 (transaction)由客戶號(hào) (customerid)、交易時(shí)間 (transactiontime)及在交易中購買的項(xiàng) (item)組成。 關(guān)聯(lián)規(guī)則挖掘 序列模式挖掘 序列模式挖掘是基于時(shí)間或者其它序列的經(jīng)常發(fā)生的模式。也就是說一旦找到概念層 1的所有頻繁項(xiàng)集，開始在第 2層找頻繁項(xiàng)集，找出第 2層所有頻繁項(xiàng)集后，在開始找第 3層，如此下去。雖然較高層次得到的規(guī)則可能是跟普通的信息，但是對(duì)于一個(gè)用戶來說是普通的信息，對(duì)于另一個(gè)用戶卻未必如此。 關(guān)聯(lián)規(guī)則挖掘 2. Apriori算法的改進(jìn)