基于贝叶斯粗糙集的大数据频繁项挖掘技术

摘要：

对大数据的频繁项集挖掘是关联规则挖掘的关键步骤，通过有效的频繁项挖掘提高大数据量数据库的访问效率。传统方法中对大数据的频繁项集挖掘采用FP-Growth的粗糙集挖掘算法，扩展性和容错性不好。提出一种基于贝叶斯粗糙集的大数据频繁项挖掘技术，引入后缀项表的概念，通过后缀项表的构建，保留频繁项集的完整信息。构建FP-Tree，生成闭频繁项集，计算样本的密度，并抽取高密度区域的点集作为聚类中心集合，进行后缀项表的构造，按支持度分成若干集合，对各约简集内的属性集合进行融合，用变精度粗糙集的贝叶斯粗糙进行数据挖掘算法改进，仿真结果表明，算法不受可变参数的影响，鲁棒性较高，数据挖掘的准确度较高，运行时间较短。算法将在人工智能和数据挖掘领域具有更广的应用前景。

关键词：贝叶斯粗糙集、频繁项挖掘、大数据

分类号：TP311(计算技术、计算机技术)

资助基金：四川省教育厅自然科学基金No.13ZA0136。

在线出版日期：2015-07-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：211-213