基于DBS-PSO优化算法在关联规则挖掘中的研究与应用

关联规则挖掘是数据挖掘技术领域内的研究重点和热点之一,在各行业领域内有着广泛的应用,Apriori算法作为关联规则的代表性算法之一,其性能的好坏直接关系到关联分析的效率和结论。目前,面对爆炸式增长的各类数据,Apriori算法在处理时,其面临问题也日益突出,主要体现在算法运行时间长、效率低以及需要通过主观单一设置最小支持度和最小置信度的阈值实现关联规则提取这两方面上。近年来,国内外相关学者都对Apriori算法的改进优化进行了研究,其中,将Apriori算法与其它智能算法融合进行改进是当前一个研究热点,且在此研究方向上取得了丰硕的研究成果。结合以上情况,本文提出了一种DBS-PSO优化算法对进行优化研究,其基本思路是:首先,利用改进的密度偏差抽样算法对原始数据集进行抽样,获取样本数据;其次,通过设置适应度函数,利用改进的粒子群算法迭代寻优获取解空间;最后,将粒子群算法求解的解空间作为Apriori算法中最小支持度和置信度的阈值,对样本数据进行关联规则挖掘。实验仿真结果表明:在Apriori算法的优化研究上,本文提出的DBS-PSO优化算法,不仅降低了 Apriori算法的时间运行成本,同时使得关联规则的挖掘更为合理、客观和高效。