基于MapReduce和AprioriAll的分布式序列挖掘算法

摘 要：序列挖掘技术，能够从大量杂乱的数据中挖掘出用户的潜在访问模式。然而，传统的挖掘技术，由于其性能和扩展性的诸多限制，并不适合现今大数据下的挖掘任务。本文基于传统的挖掘算法AprioriAll，在结合国内外研究进展的基础上引入分布式概念格模型，提出了分布式序列挖掘算法PAHDP。通过在分布式系统上构建算法原型，并加以评估，本文证明了该算法的正确性和有效性，具有一定的应用价值。

关键词：数据挖掘；分✡布式计算；概念格；Hadoop

中图分类号：TP311

分布式计算的思想，可以将仅仅由单个计算机难以计算和维护的计算任务分为很多小的、相互独立的部分，然后把这些部分分配给很多台计算机进行处理。在这个基础上，利用分布式系统架构MapReduce，用户可以在不了解分布式底层细节的情况下，充分利用其框架下集群的高传输率与容错率的优点进行计算与存储。

正是在这种背景下，采用分布式计算以实现庞大数据集的数据挖掘，成为了目前国内外的研究热点。利用分布式计算，人们可以把庞大的数据集分为小的、相对独立的部分，并部署于集群的计算机中进行计算，最后将结果综合。本文在此基础上，对传统的数据挖掘算法AprioriAll进行了分布式探索，并针对影响性能的多个因素进行了分析与改进จ。

1 基于AprioriAll的分布ฃ式挖掘算法设计与实现

1.1 AprioriAll算法

AprioriAll算法是由R.Agrawal等人提出的，该算法采用迭代增长的思想，首先在数据库中找出所有频繁项集，并在每一次迭代过程中，将上一次得到的序列相互链接以生成新序列。接着，在扫描数据库的同时去掉不满足最小支持度阈值的序列，并将结果作为下一次迭代的候选，直到无法再产生更长的新序列为止。最后，扫描生成的频繁序列，去除包含于其它序列的子序列，留下来的就是最终的结果。该算法结构简单，然而面临着重复扫描哦数据库、难以并行化等问题，需要进行优化。

1.3 改进点分析

2 实验评测

实验时，共对三种情况下的序列ว模式挖掘（AprioriAll算法，伪分布式环境下的PAHDP算法与分布式环境下的PAHDP算法）进行了比较与测试。实验设置8组交易数据，其中顾客数目与商品数目相等，并从20增长到2000。顾客平均交易数目与平均每次购买商品数目分别固定为8与2.5。结果如下图所示：

图1 实验结果

通过对比可以发现，当顾客数目与商品数目相等，且交易数据小于9000时，PAHDP算法执行时间远远大于AprioriAll的单机算法。而当数据量继续提升时，AprioriAll的执行时间则随之从53.385秒增加到了405.418秒（记录数为18906），并超过了PAHDP算法。当数据量继续增长时，AprioriAll算法内存溢出而无法计算，而PAHDP算法增速较缓（伪分布式节点的计算时间仅从116秒增长到了153秒，增长率为31.9%）。从对比实验可以看出，传统的AprioriAll算法在顾客数目小于商品数目的时候，其计算时间的增长比顾客数目大于商品数目的情况下更为缓慢，因此该算法对于数据的内在结构是敏感的。而对于PAHDP算法来说，则在三种情况下的运行速度差异不大，因此其对于数据是不敏感的。

3 结束语

本文深入分析了AprioriAll算法的实现流程和相关局限，从而提出了新算法的改进目标。基于这些改进点，本文提出了分布式挖掘算法PAHDP，并对整个算法的流程和其中的关键技术进行了阐述。本文证明了PAHDP算法的有效性，论述了在较大规模数据库的情况下PAHDP算法所具有的优势。作为集群化序列挖掘的一个有效解决方案，本文设计的算法能够在大规模序列挖掘领域具备研究价值。

参考文献：

[2]吕峰等.4种序列模式挖掘算法的特性研究[J].武汉理工大学学报，2006，28

（2）：57-60

[3]周嘉伟等.新多维序列挖掘算法：对AprioriAll算法的改进[J].科技经济市场，2006，4：26～27

[5ツ]王宇.序列模式挖掘的并行算法研究[D].哈尔滨.哈尔滨理工大学.2007