基于海量数据的关联规则挖掘(三)
1.2Apriori 算法
Apriori算法是挖掘关联规则的算法，是Agrawal等在1993年[1]设计的一个基本算法，其核心方法是基于频集理论的递推方法。这是一个采用两阶段频集的挖掘思想，并且基于多次扫描事务数据库来执行。正如算法名字，Apriori算法使用的是频繁项集性质的先验知识。
Apriori算法的设计可以分解成两个步骤来执行挖掘：
1、 从事务数据库中挖掘出所有频繁项集。
首先挖掘出频繁1-项集
。此时，在内存中保存两个表，一个保存每个项到一个整数的映射（如果项是其他非数值的对象），一个保存每个整数即项的计数。扫描整个数据集中的项，没扫描到一个项，在相应的位置计数器加一。最后根据支持度阈值筛选出支持度大于阈值的项组成。
在挖掘频繁2-项集
前，需在内存中需要构造数据结构来保存由中的项组合的项对，有两种组织形式，一种是使用三角矩阵，一种是使用三元组。不管使用哪种方式，次步的所需的内存是中项的个数决定，而非由整个数据集中项的个数决定。这便是Apriori算法的精髓所在，第一步和第二步内存的使用见图1。
具体的挖掘频繁项集过程是是遍历每个篮子，在每个篮子的操作中，从中找出包含在频繁项表中的项，组合成项对，遍历完成后找出了所有频繁项对，对每个频繁项对，在项对的数据机构相应位置计数加1，最终从中选择支持度大于阈值的项对作为。
然后，继续采用递推的方式从
来挖掘频繁项集
（k>1）。迭代进行，直到某次k-项集为0时终止迭代，返回所有频繁项集。
2、 基于第一步挖掘到的频繁项集，继续挖掘出全部的频繁关键规则
Apriori算法的缺点：
（1）虽然使用Apriori算法已经使得项数有了很大降低，但由频繁k-1项集进行自连接生成候选频繁k项集数量仍然巨大；
（2）在验证候选频繁k项集的时候需要对整个数据库进行扫描，非常耗时。