随着信息技术的飞速发展,信息量的爆炸式增长成为了人们必须要面对的机遇与挑战。因此,如何在这些庞大信息中获取对自己有用的信息便成为了一个值得研究和探讨的话题。数据挖掘算法是处理数据库中大量数据,并在这些数据中提取有价值信息的一项新技术。其中,频繁模式挖掘算法在数据挖掘中占有十分重要的地位。但是,传统的频繁模式挖掘算法在一定程度上都存在缺点与不足。本文针对这些问题,提出了两种改进算法。主要研究内容如下:1.简单介绍数据挖掘的相关概念,概述国内外对数据挖掘的研究现状,以及关联规则挖掘的相关概念和经典算法。2.为了解决频繁模式挖掘算法在挖掘过程中需要耗费大量的时间与内存的问题,首先借鉴了集合枚举树的结构,并从枚举树中使用多最小支持度来降低时间、内存消耗。但是,当事务数据库中事务项数特别庞大时,对每个项都定义一个唯一的最小支持度阈值显然是不科学的。针对上述问题,我们提出了基于同类项的多最小支持度频繁模式挖掘算法,该算法首先对数据库事务划分同类项,然后对划分的每个类赋予唯一的最小支持度阈值,最后使用向下封闭属性排序和LCMS(类的最最小支持度)概念来有效地修剪搜索空间,从而给出了FP-CME算法。该算法在挖掘过程中不需要生成条件候选树,并可以直接从集合枚举树中发现想要的频繁模式。经仿真实验,该算法在执行时间、内存使用方面较传统算法有较大的提高。3.频繁模式增长算法(FP-growth)是频繁模式挖掘中最经典的算法之一,但FP-growth算法也存在问题:当在大规模数据环境下挖掘时,它生成的FP树过于复杂,其结果就是构建FP-tree困难以及挖掘效率低下。针对上述问题,我们提出了基于多最小支持度的并行优化的POFP-growth算法。该算法共分为两个步骤,第一步,对原数据库事务项进行分类,划分出多个类并赋予类标号和唯一支持度阈值。然后对数据库数据进行共享前缀处理,接着将事务数据库水平分割为N部分,然后并行构建局部数据库的FP-tree,最后使用内部级联接方法组合所有局部FP-tree得到完整FP-tree。第二步,在多最小支持度阈值的约束下使用项合并策略挖掘完整FP-tree中的频繁项集。通过仿真实验可知,提出的算法在执行时间有一定的提高。