来，数据存储量急剧上升。然而，尽管面临大量（甚至是海量）Р的真实、有价值的数据，决策者却很难从这些数据中提取出有价值的知识，因为这Р些数据从表面上看，往往是杂乱的、单维的。这一现状促使人们产生了对数据分析Р工具的强烈需求。利用数据分析工具所获取的信息和知识，可以广泛地应用于商务РР管理、生产控制、市场分析、工程设计、科学研究与探索等诸多方面。 Р 随着 Internet 及其相关技术的发展，网络经济以其巨大的社会效益和极富挑战与Р机遇的内涵，成为信息科学中最引人注目的研究课题。然而，网络在快捷、方便地Р带来大量信息的同时，也带来了一大堆的问题，诸如：信息过量，难以消化；信息Р真假难以辨识；信息安全难以保证；信息形式不一致，难以统一处理等。如何理解Р已有的历史数据并用以预测未来的行为，如何从这些海量数据中发现信息，变被动Р的数据为主动的知识，如何快速准确地获得有价值的网络信息和网络服务，为用户РР提供重要的、未知的信息或知识，指导企业决策，对各种“数据矿藏”进行有效的挖Р掘以发挥其应用潜能。数据挖掘与知识发现正是在这样的应用需求背景下产生并迅РР速发展起来的一套科学方法，并越来越显示出其强大的生命力。 Р 数据挖掘有很多的研究方向，关联规则挖掘是其中最活跃的研究方向之一，它Р反映了大量数据中项目之间的有意义关联或相关联系。关联规则揭示了数据项间的Р未知的依赖关系，根据所挖掘的关联规则，可以由一个数据对象的信息推断出另一РР个数据对象的信息。 Р R. Agrawal 等人于 1993 年首先提出了挖掘顾客交易数据库中项集间的关联规则Р问题，以后众多的研究人员对关联规则挖掘问题进行了大量的研究，包括对原有的Р算法进行优化，如引入随机采样、并行的思想等，以提高算法挖掘规则的效率。最РР 1
全文预览
