频繁项集挖掘是数据挖掘领域的一个基础性问题,相关算法需要在海量数据中寻找频繁出现项的组合,为关联规则挖掘提供前期的数据支持。在挖掘过程中,必须在保证准确率的情况下,尽可能快地在原始数据集中找到所有出现的频繁项组合。频繁项集挖掘领域主要有两类经典的挖掘算法:Apriori算法和FP-growth算法。Apriori算法每次计算支持度时需要对事务数据集进行扫描,导致时间开销非常大。而FP-growth算法特有的树结构不易被拆分,导致很难对数据进行批量处理,同时挖掘过程中存在递归操作,不利于算法并行化。本论文提出基于位组合的线性表频繁项集挖掘算法BCLT(Bit Combination Linear Table),该算法首先通过将原始数据集经过计数、排序、裁剪等一系列预操作处理,然后根据处理后的数据集构建线性表,最后根据这个线性表再进行频繁项集的挖掘。在挖掘过程中需要自底向上逐一进行元素比较,对于频率低的元素,共享度较低,导致算法在挖掘速度方面效果不是很好。针对BCLT算法的不足,本文又提出BCLT的优化算法BCLT-O(Optimization Algorithm for Bit Combination Linear Table),BCLT-O算法融合了两种频繁项集挖掘思想:基于位组合的按位与操作思想和基于位组合的线性表的挖掘思想。在BCLT-O算法中,原有的BCLT线性结构被融入二进制数据,并且将水平数据存储转换为垂直数据存储,改进了数据存储方式和数据结构,可以有效提高挖掘效率。在最终实验环节,BCLT-O算法在挖掘速度方面,相较之前未优化的算法和单纯基于位组合的按位与操作方法有了很大的提高。本论文最终将算法应用于大豆启动子数据频繁项集挖掘,研究目的在于将大豆基因的启动子数据中频繁出现的调控元件及其组合项筛选出来。算法在整个频繁项集挖掘过程中,还采用了频繁一项集的剔除、剪枝以及空间优化等操作,最终在时间和空间上较为高效地得出令人满意的结果。最终通过实验对比,BCLT-O算法相较于BCLT算法在挖掘速度上有了非常大的进步。同时,也大大超过了位组合及位组合优化算法。虽然BCLT-O算法在挖掘速度上相对FP-growth算法还是有一定的差距,但是BCLT-O算法有其特有的优势。首先,由于BCLT-O算法消除了递归操作,因此有利于算法的并行化。其次,BCLT-O算法中特有的线性表结构拆分自由度比较高,当原始数据集规模过大时,易于进行批量挖掘。