關聯規則算法在影院資料管理系統中的應用

　　摘要：在介紹關聯規則概念和常用算法的基礎上，文章討論了數據挖掘技術在影院會員信息管理系統中應用的必要性，找到兩者的結合點，探索如何在會員管理系統中應用數據挖掘技術。重點分析了關聯規則Apriori算法應用到會員管理模塊中，對已有數據進行分析挖掘，提出數據所隱藏的有價值的信息，為指導和輔助影院管理決策提供參考。
　　關鍵詞：信息管理系統；數據挖掘；關聯規則；支持度；置信度
　　
　　一、關聯規則及算法概述
　　
　　若兩個或多個變量的取值之間存在某種規律性，就稱為關聯。關聯規則挖掘技術用于發現數據庫中屬性之間的有趣聯系，旨在尋找在同一事件中出現的不同項的相關性。關聯規則技術適用于購物籃分析，可以找出潛在的令人感興趣的產品組合，從大量的事務記錄中發現潛在的關聯關系，幫助管理者做出正確的商務決策。
　　最典型的例子就是“啤酒和尿布”的故事，在美國，一些年輕的父親下班后經常要到超市去買嬰兒尿布，超市也發現一些規律，在購買嬰兒尿布的年輕父親們中，有30%-40%的人同時要買一些啤酒。超市隨后對貨架擺放做了調整，把尿布和啤酒放在了一起，增加了銷售額。
　　Apriori算法是一種最有影響的挖掘布爾型關聯規則頻繁項集的算法。Apriori使用一種稱作逐層搜索的迭代方法，經典的關聯規則挖掘算法是兩步走算法Apriori，即連接步和剪枝步。
　　算法使用頻繁項集性質的先驗知識，即頻繁項集的所有非空子集必為頻繁項集（稱為下封閉特性）。利用這一性質可以有效的壓縮搜索空間，使用一種稱作逐層搜索的迭代方法，k-項集用于探索k+1-項集來逐層的找到所有用戶感興趣的頻繁項集。具體地說，首先尋找1-頻繁項集L1，利用1-頻繁項集L1兩兩組合產生 2-候選項集C2，在C2中尋找2-頻繁項集L2，再利用2-頻繁項集L2中有重疊部分的兩頻繁項集的兩兩組合產生3-候選項集C3，依次下去直到某個CK＋1為空。該算法能夠快速、有效的挖掘出數據庫中蘊含的用戶感興趣的頻繁項集，進而產生用戶想要的關聯規則，
　　
　　二、Apriori算法在影院資料管理系統中的應用
　　
　　（一）運用Apriori算法確定會員選擇電影間的關聯關系
　　根據中的會員購買影票及預選電影的數據，挖掘數據間的關聯規則，確定會員所選電影間的關聯關系，為宣傳規劃，電影時間安排提供依據。
　　（二）確定數據挖掘的類型
　　假定全域是電影總局影片提供商可提供的電影的集合，則每個影片有一個布爾變量，表示該影片的有無。每個選擇影片序列則可用一個布爾向量表示。可以分析布爾向量，得到反映電影頻繁關聯的觀賞模式。這些模式可以用關聯規則的形式表示，因此，可以確定：要找出數據之間的關聯關系，可以通過挖掘會員資料管理數據庫中觀看電影的關聯規則。因為只需考慮會員所選電影的單維數據，本文采用的方法是:先使用Apriori算法找出頻繁項集，再由頻繁項集產生關聯規則。
　　（三）過程
　　1、確定數據挖掘的目標數據—會員資料管理數據庫(Movi_mangeDB)中的會員選擇影片和預選影片數據，包括影片名稱(movi_name)以及放映時間(movi-time)。
　　2、通過如下關系查詢，收集任務相關的數據集。
　　3、確定最小支持度閾值min_sup。
　　4、使用Apriori找出頻繁項集。
　　假定選中的元組數為9，即D=9，元組標識符TID表示，按字典次序存放。
　　5、由頻繁項集產生關聯規則。
　　L=