频繁模式是指数据集合中的项集、子序列或者子结构,它们出现的频繁度不少于用户设置的阈值。频繁模式在挖掘关联规则、相关规则和数据间的其它有趣关系方面扮演着重要角色,此外它还可用于数据检索、分类、聚类等其它挖掘任务。因此,频繁模式挖掘是一项重要的数据挖掘任务,且已成为数据挖掘研究中的焦点课题。本文对如何挖掘兴趣频繁模式及其在子空间聚类中的应用进行了研究。重点研究了以下两个问题:LDS-闭包频繁项集的垂直挖掘算法;如何使用LDS-频繁项集评估子空间的质量。本文的研究成果及创新内容主要包括以下几个方面:[1]提出了LDS-闭包频繁项集的垂直挖掘算法——LDS_CLOSED。[2]提出了两种新的搜索空间剪裁方法:无效前缀剪裁和基于SVE性质的剪裁。[3]试验结果表明,LDS_CLOSED不仅能够有效地控制频繁模式的数量,而且运行效率也远高于闭包频繁模式挖掘算法。[4]提出了一种适用于分类数据集的子空间质量度量方法;其特点是无需用户输入一些难以估计的参数,很好地体现了“无指导学习”的观点。[5]在子空间质量与LDS-(闭包)频繁项集之间建立起联系,从而解释了使用LDS约束条件的合理性。