数据挖掘（七）：Apriori算法：频繁模式挖掘

1 算法思想

算法使用频繁项集性质的先验知识。Apriori使用一种称作逐层搜索的迭代方法，k项集用于探索（k+1）项集。首先，通过扫描数据库，累积每个项的计数，并收集满足最小支持度的项，找出频繁1项集的集合。该集合记作L1.然后，L1用于找频繁2项集的集合L2，L2用于找L3，如此迭代，直到不能再找到频繁k项集。找每个Lk需要一次数据库全扫描。

Apriori性质可用于压缩搜索空间，提高频繁项集逐层产生的效率。

Apriori性质：频繁项集的所有非空子集也必是频繁的。

Apriori算法主要包括连接步和剪枝步两步组成。在连接步和剪枝步中采用Apriori性质可以提高算法的效率。

1.1 连接步

此步骤用于从频繁k-1项集集合产生候选k项集集合。

为了计算出Lk，根据Apriori性质，需要从Lk-1选择所有可连接的对连接产生候选k项集的集合，记作Ck。假设项集中的项按字典序排序，则可连接的对是指两个频繁项集仅有最后一项不同。例如，若Lk-1的元素l1和l2是可连接的，则l1和l2两个项集的k-1个项中仅有最后一项不同，这个条件仅仅用于保证不产生重复。

1.2 剪枝步

此步骤用于快速缩小Ck包含的项集数目。

由Apriori性质可得，任何非频繁的（k-1）项集都不是频繁k项集的子集，因此，如果Ck中的一条候选k项集的任意一个（k-1）项子集不在Lk-1中，则这条候选k项集必定不是频繁的，从而可以从Ck中删除。这种子集测试可以使用当前所有频繁项集的散列树快速完成。

Ck是Lk的超集，经过子集测试压缩Ck后，即可扫描数据库，确定Ck中每个候选的计数，从而确定Lk。

2 伪代码

算法：Apriori， 使用逐层迭代方法基于候选产生找出频繁项集
输入：
    D：事务数据库；
    min_sup：最小支持度计数阈值。
输出：  L：D中的频繁项集。
方法：
1)  L1 = find_frequent_1_itemsets(D);
2)  for (k = 2; Lk-1 ≠ ∅; k++) {
3)    Ck = aproiri_gen(Lk-1,min_sup);
4)    for each transaction t∈D{ //扫描D用来计数
5)      Ct = subset(Ck,t); //找出事务t中包含的所有候选k项集，
6)      for each candidate c∈Ct //对事务t包含的每个候选k项集的计数加一
7)        c.count++;
8)  }
9)    Lk={c∈Ck | c.count ≥ min_sup}
10) }
11) return L = ∪kLk；
procedure apriori_gen(Lk-1: frequent (k-1)-itemset; min_sup: support)
1) for each itemset l1∈Lk-1
2)   for each itemset l2∈Lk-1
3)     if (l1[1]=l2[1])∧...∧(l1[k-2]=l2[k-2])∧(l1[k-1]<l2[k-2]) then {
4)       c = l1 连接 l2; //连接步: 产生candidates
5)       if has_infrequent_subset(c,Lk-1) then
6)         delete c; // 剪枝步: 移除非频繁的cadidate
7)       else add c to Ck;
8) }
9) return Ck;
procedure has_infrequent_subset(c:candidate k-itemset; Lk-1:frequent (k-1)-itemset)
// 使用先验知识
1) for each (k-1)-subset s of c
2)   if c∉Lk-1 then
3)     return TRUE;
4) return FALSE;

其中，Lk-1表示频繁k-1项集。

3 实现

4 示例

参考资料：

《数据挖掘：概念与技术》（第二版）