加权关联规则挖掘是一种通过赋予项目权重从而挖掘关联规则的技术,权重可以表示用户感兴趣的程度、项目在数据集中的重要性等。加权关联规则相比于传统的关联规则更符合用户的需求。但加权关联规则挖掘也有一些局限性。例如,随着时间的推移用户感兴趣的程度可能已经下降,导致过时的加权关联规则对现在的用户来说并不具备指导性。相比于过时的加权关联规则,近期挖掘的加权关联规则才是用户真正需要的。在加权关联规则挖掘过程中,最主要的步骤是挖掘加权频繁项集。RWFIM-PE算法是一种包含时间衰减约束的加权频繁项集挖掘算法。以使用时间衰减因子计算得到的近期度(Recency)来标记事务发生的时间点与数据集时间终点的距离。这些事务包含的项目不仅受权重的影响,也受到事务的近期度的影响。这使得最后挖掘得到的是包含近期度属性的加权频繁项集,即近期加权频繁项集(RWFI)。用近期加权频繁项集生成的关联规则,从时间上来说对用户更有指导意义。但RWFIM-PE算法存在着一些不足之处。该算法遵循Apriori算法的思想,在生成(k+1)-项集时需要大量的连接操作,算法执行时间开销较大,占用内存较大。针对RWFIM-PE算法存在的问题,本文提出了两个基于矩阵压缩和时间衰减的加权频繁项集挖掘算法。本文主要完成了以下3方面的工作:(1)提出基于矩阵压缩的近期加权频繁项集挖掘算法RWFIM-M。RWFIM-M算法使用矩阵运算的思想,优化了迭代搜索候选项集的过程;使用矩阵压缩的方法缩小了事务数据集的搜索空间,优化了搜索RWFI的过程,提高了挖掘RWFI的效率。(2)提出基于投影矩阵的近期加权频繁项集挖掘算法RWFIM-PM。将含有相同前缀的近期事务权重频繁2-项集所包含的项目的列复制到一个矩阵中,组成投影矩阵,进一步压缩矩阵,压缩数据集的搜索空间,提高挖掘RWFI的效率。(3)对于提出的算法,使用3个数据集,从多个角度进行对比实验。分析实验结果,证明所提出的RWFIM-M算法、RWFIM-PM算法的性能良好。