基于XML数据挖掘的Apriori算法的研究与改进

张继荣，王向阳

(西安邮电大学 通信与信息工程学院，西安 710061)



基于XML数据挖掘的Apriori算法的研究与改进

张继荣，王向阳

(西安邮电大学 通信与信息工程学院，西安 710061)

XML以其诸多优点，迅速成为不同领域间信息表示与交换的标准;大量XML数据的出现给数据挖掘带来了新的挑战;挖掘XML数据关联规则的大部分工作都是基于Apriori算法的研究;对Apriori算法的基本方法与效率进行了分析，指出其不足，并提出了改进的XApriori算法，该算法基于新的数据结构，利用Hash表的存储技术以及对Apriori算法的优化来提高查找频繁项集的效率;对Apriori算法和XApriori算法进行了比较，实验结果表明改进的XApriori算法优于Apriori算法。

XML；数据挖掘；关联规则；频繁项集；Apriori

0 引言

XML(eXtensible Markup Language，可扩展标记语言)[1]是一种描述数据内容和结构的语言，其具有标准的文本格式，可以在不同平台间，进行数据的表示、存储和交换，XML的飞速发展产生了大量的XML数据，所以，对其进行挖掘[2]已经变得非常重要。对XML数据关联规则[3-4]的挖掘概括有以下3种不同的方法：1)Wan 等人提出的XML 挖掘算法是直接使用 XQuery 语言来实现Apriori 算法的，无需预先处理 XML 文档[5]。2)Daniele Braga 等人提出的方法是通过预处理数据、抽取关联规则和后期处理关联规则3个主要步骤来实现 Apriori 算法[6]。3)Ling Feng 等人提出一种不基于 Apriori 算法并且将不同的事务和项的概念映射到 XML 文档树型结构的方法[7]。本文基于XML 文档并通过改进的Apriori 算法[4]来进行关联规则的挖掘。XML挖掘包括对其结构和内容的挖掘，本文是基于XML文档的内容来进行关联规则的挖掘，通过DOM技术解析、提取出XML文档的内容[8]，由于XML文档的内容等价于元素的值，而被解析提取之后的XML元素值的集合与文本基本等价。……