频繁模式挖掘是数据挖掘领域的经典课题。频繁模式挖掘在实际应用中的基本问题是频繁模式通常数量庞大,冗余严重。究其原因,主要是因为传统挖掘方法基于刚性的支持度-置信度阈值来区分模式,由于受到数据中随机噪声的影响,容易导致实际相同的模式因为细微差异而被挖掘系统认作了不同的模式。为此本文致力于研究利用析取空间的项集模式来设计频繁模式精简表示模型,以消除频繁模式挖掘结果集中存在的冗余。本文的主要研究工作如下:(1)针对析取空间中的析取模式,本文研究发现,析取模式集中仍然存在着模式冗余现象,因随机噪声造成的这一类冗余,具有局部和扰动量微小等特点。为此,本文引入析取模式的δ-邻域概念,以消除随机噪声造成的冗余,并以此为基础,提出一种新的频繁模式精简表示模型。分析了此模型的性质和频繁模式恢复的精度和算法策略等问题,并利用深度优先递归搜索方法,辅以启发性策略,设计了高效率的精简的析取模式集挖掘算法DCPM。实验结果表明,通过该模型得到的精简集,规模比传统析取闭合项集明显减少,并且恢复全体频繁项集的支持度错误也较小。(2)在δ-邻域划分过程中,本文研究发现,多组不同δ-邻域之间会存在重叠现象,而且这种重叠现象十分广泛,对于重叠现象处理不当,会导致支持度恢复误差加大,甚至在最终结果集中引入冗余。本文提出从中继节点、交叉节点和替代集析取支持度等三个方面,来解决δ-邻域划分的最优化问题,并据此对算法DCPM进行改造形成了新算法NDCPM。利用DCPM算法中使用的有效技术改造MEP形成了算法NFMEP。实验结果表明,NDCPM算法挖掘结果更精确,NFMEP具有较高的执行效率。