题目：基于多支持度度的关联规则挖掘算法研究

关联规则作为数据挖掘领域的主要研究内容之一，从最初解决交易数据库经典的购物篮问题，到现在广泛运用在金融、生物、医学各个研究领域中，关联规则的研究日益趋于成熟，其中如何有效地从海量数据中获得更高价值的关联规则，成为该研究领域的一个重点和难点。随着用户需求的不断提高，用户对不同事务项的兴趣度产生了很大的差异性。本文为了弥补单一最小支持度约束下关联规则挖掘的不足，提出了一种基于多支持度的关联规则挖掘策略，并在经典AprioriTid算法的基础上进行改进，加入了多最小项支持度的约束条件，形成了新的算法，称为 MS-AprioriTid算法。实验证明，MS-AprioriTid算法对于多支持度的关联规则挖掘问题是行之有效的。同时，对于关联规则挖掘中普遍存在的增量更新问题，本文针对其中的两类情况，即当目标数据库中的数据量增加和当用户调整最小项支持度的阈值，如何充分利用前面的挖掘结果，来实现算法的高效运行，本文提出了多支持度的关联规则挖掘的增量更新算法，称为IMS-AprioriTid算法。IMS-AprioriTid算法是在MS-AprioriTid算法基础上，设计了针对两类增量更新问题的算法实现。实验证明，IMS-AprioriTid算法对于多支持度关联规则增量更新问题，相比于单纯挖掘，算法效率有明显的提高。