研究了當前幾種時興的頻集挖掘算法（Apriori，DF，FP－growth 和DCI）及其技術特點，并對其分類和界定適用范圍。對其算法復雜性及時空執行效率等性能指標進行了定性和定量的綜合分析。研究的結果對于在各種應用環境下的
關聯挖掘系統的設計具有參考價值。
關鍵詞：　頻集挖掘；　Apriori；　DF；　FP－growth；　DCI
種頻集挖掘算法及其特點
2．1　Apriori 算法
A priori算法是目前最為著名也是應用最為廣泛的一種算法，并且目前許多算法都是在A priori的基礎上優化和改進而來的。A priori算法核心思想是：首先掃描一遍數據庫D ，產生頻繁1 項集L 1，然后產生頻繁2 項集L 2，直到有某個r 值使得L r 為空，這時算法停止。在第k 次循環過程中，首先產生候選k－項集的集合C k，C k 中的每一個項集是對2 個只有一個項不同的屬于L k－1 的頻集做一個（k － 2） 連接產生的。C k 是用來產生頻集的候選集，為了決定C k 中的元素是否頻繁，必須掃描數據庫D 計算其支持度，因此頻集L k 是C k 的一個子集［1］。C k 中的每個元素需進行驗證來決定其是否加入L k ，這里的驗證過程是算法性能的一個瓶頸。A priori算法的不足之處在于：1）可能產生大量的候選集。例如，當長度為1 的頻集有104 個的時候，長度為2 的候選集個數將會超過107；2）如果要生成一個很長的規則時，要產生的中間元素也是巨量的。
2．2　DF 算法
D F 算法其實是A priori的一種改進算法，最重要的區別在于其采用了深度優先的方法，這也正是其稱之為D F（D epth F irst）的原因。D F 算法采用了層次樹（trie）來存儲頻繁項集。因為任何一個頻繁集的子集也是頻繁的，所以trie 很適合用來存儲頻繁項集。D F 算法執行如下操作［2］：掃描一遍數據庫；計算各個項的支持度；并將頻繁項按支持度排序；在主存中建立trie，trie 從根到葉子的每一條路徑代表一個唯一的頻繁項集；最后，算法輸出trie 中的所有路徑，即所有的頻繁項集。