基于关系代数理论的关联规则挖掘算法ORAR

关联规则挖掘是数据挖掘的一个重要分支，但随着数据的快速增长，传统关联规则挖掘算法不能很好地适应大数据的要求，需要在分布式、并行计算的平台上寻找突破。Spark是专门为大数据处理而设计的一个适合迭代运算

针对关联规则挖掘问题，给出一种基于文化免疫克隆算法的关联规则挖掘方法，该方法将免疫克隆算法嵌入到文化算法的框架中，采用双层进化机制，利用免疫克隆算法的智能搜索能力和文化算法信念空间形成的公共认知信念的

同步策略是并行离散事件模拟的关键技术之一。POSE是一种面向对象的可扩展的计算机体系结构并行模拟框架，可进行大规模系统的并行模拟。剖析了POSE框架中的乐观同步策略，按照时间窗口调整状况将其自适应策略

提出了基于事务规则树改进的关联规则快速挖掘算法——FG算法。该算法不需要查找频繁项集，可直接求出所有无冗余的关联规则；将FG算法与其他算法进行实验比较，结果表明，FG算法在效率上优于其他算法，是有效的

关联规则中经典算法，apriori算法，能够提取出数据间的强关联规则

可以直接运行,有示例数据,源代码有详细的注释,很容易读懂。很好的数据挖掘中的推荐系统中的FPTree实现的源代码。

10.1关联规则基本概念10.2关联规则算法原理10.3分层搜索经典算法-Apriori算法10.4并行挖掘算法10.5增量更新挖掘算法10.6多层关联规则挖掘10.7多维关联规则挖掘10.8约束性关

Apriori算法是一种挖掘关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。该算法的基本思想是：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小

关联规则挖掘中有几个经典算法，Apriori算法因为其效率比较低，时间复杂度很高，因此韩佳伟改进了该算法，附件是fp-growth的python实现。

第三章 关联规则挖掘理论和算法 内容提要;关联规则挖掘Association Rule Mining是数据挖掘中研究较早而且至今仍活跃的研究方法之一 最早是由Agrawal等人提出的1993最初提出的