随着互联网高速的发展,信息交互越来越便捷,产生的数据也随之增多,这些数据往往能产生巨大的价值,如何对海量的数据进行挖掘和分析在各行各业中变得愈发重要。其中关联规则在数据挖掘中发挥着重要的作用,但关联规则只考虑模式出现的次数,往往导致一些频繁度低,效用高的模式不能被挖掘出来。高效用模式挖掘算法的出现解决了这样的问题。近年来效用模式的挖掘成为数据挖掘中重要的研究方向之一。模式的种类很多,从最初的布尔型关联规则基础上,模式得到了广泛的扩展。模式加上时间属性或者其它一定顺序的属性就产生序列模式的形式。本文就一般模式和序列模式,主要研究了基于粒子群优化的高效用模式挖掘算法和在数据集为序列的情况下的高效用序列模式挖掘算法。创新性研究成果如下:在传统数据集加上效用信息的情况下,本文提出了基于粒子群优化的高效用模式挖掘算法HUPMSUPT-PSO,该算法设计出SUP-Tree结构,保存了效用上界值的信息,该结构对模式剪枝起到重要的作用,并且在评价粒子阶段前,对粒子进行预评价,大大提升了算法的效率。实验证明HUPMSUPT-PSO算法比目前基于粒子群的高效用挖掘中效率较高的算法HUIM-BPSO+更加高效,且在相同情况下挖掘的模式数量更多。数据库中的事务在以序列形式存在的情况下,又引申出高效用序列模式挖掘问题。序列模式的搜索空间比一般模式的大,所以计算复杂度比高效用模式挖掘要高。目前对高效用序列模式算法研究比较少,且都没有考虑序列数据库中项的外部效用值为负的情况。面对含负项的外部效用值,本文提出了含负项的高效用序列模式挖掘算法EHUSN,该算法提出1-2-UM和2-2-UM结构模型,结合效用信息列表能快速剪枝非候选序列,从而使挖掘算法在时空效率上的得到提升。