基于最大频繁模式挖掘的移动政务系统场景化服务研究

2020-07-20王福刘宇霞康丽琴

现代情报 2020年1期

王福刘宇霞康丽琴

摘要：[目的/意义]虽然移动政务系统资源的碎片化，功能的交互化以及服务的个性化程度越来越高，但是其被弃用和卸载的情形时有发生，究其原因是因为移动政务系统并没有为用户在合适的时间和合适的地点推送合适的信息，表现为其所提供服务的同质化现象较为严重。[方法/过程]为此，采用最大频繁模式挖掘的方法对移动政务系统场景化服务进行深入研究，在对不同用户聚类的基础上挖掘不同类型用户频繁接入的场景，并基于挖掘出的规律为用户提供针对性的服务。[结果/结论]移动政务系统的场景化服务既能为用户在任何时间、任何地点提供任何信息，也可以为用户在适当的时间和地点推送适当的信息，移动政务系统场景化服务就是要从满足用户的多元化和个性化服务的方式转向满足用户的场景化信息需求，由以用户为中心转向于以场景为中心，最终提升移动政务用户信息接受的愉悦度。

关键词：移动政务;数据挖掘;场景化服务;最大频繁模式;精准化服务

DOI：10.3969/j.issn.1008-0821.2020.01.005

〔中图分类号〕G203 〔文献标识码〕A 〔文章编号〕1008-0821（2020）01-0041-08

Research on Scenario Service of Mobile Government Based on

Maximum Frequent Pattern Mining

Wang Fu Liu Yuxia Kang Liqin

（School of Economics and Management，Inner Mongolia University of Technology，Hohhot 010051，China）

Abstract：[Purpose/Significance]Despite the fragmentation of resources，the interaction of functions and the increasing individualization of services in mobile government system，the situation of mobile government system was discarded and uninstalled from time to time.The reason is that mobile government system does not push appropriate information for users at the right time and place，and the homogeneity of services show seriously.[Methods/Processes]The maximum frequent pattern mining method was used to conduct in-depth research on scenario-based services of mobile government system，mining scenarios of frequent access of different types of users on the basis of clustering of different users，and providing targeted services for users based on the mining rules.[Methods/Processes]Scenario service of mobile government system could not only provide users with any information at any time and anywhere，but also push appropriate information for users at the appropriate time and place.Scenario service of mobile government system was to change from satisfying users diversified and personalized service to satisfying users scenario information needs，from user-centered to user-centered.In the scenario-centered，ultimately enhanced the pleasure of mobile government users information acceptance.

Key words：mobile government;data mining;scenario services;maximum frequent patterns;precision services

近年来，受微媒体、多媒体和新媒体等的影响，使得移动政务系统逐渐表现出资源情境的碎片化，技术情境的交互化以及服务情境个性化的特征，且这些情境特征越来越明显，移动政务正在改变着人们信息接受的体验。然而，移动政务系统被弃用和卸载的情况时有发生，这不得不引起学界和业界的重视，探究移动政务系统在什么地方出了问题，以及需要如何改进以提升用户对移动政务系统的满意度。为此，笔者对移动政务系统的相关研究成果进行如下梳理：1）移动政务系统的信息接受意愿较低。郑跃平等认为现有移动政务面临服务平台建设差、公众信息接受意愿低下，用户隐私保护和信息安全保障不足，公众体验性较差、信任感低等问题[1]。2）移动政务系统发展存在阻碍。朱琳指出移动政务系统在发展中存在阻力，宏观方面表现为系统基础设施不健全、政府宣传力度不够、开设业务少、个人隐私和安全保障的不健全和群众参与意识不强5个方面;微观方面主要表现为移动终端的尺寸限制以及移动政务的收费问题[2]。3）移动政务系统功能有待完善。陈则谦调研发现已经建成的政务APP质量参差不齐，普遍存在易获取性和可使用性方面的问题，大部分移动政务APP的交流互动和网上办事的功能都有待完善[3]。4）移动政务系统成功因素。赵蓉总结了移动政务的整体框架，提出了移动政务系统的4大关键成功因素，即：成熟的通讯技术应用水平、合适的移动政务应用服务、市民的信任和参与、系统的双向互动能力[4]。由上述对移动政务现有研究成果的梳理发现目前制约移动政务发展的因素主要包括以下几个方面：1）场景意识缺乏。虽然目前移动政务在新媒体、微媒体等的刺激下不断改变其功能和服务，但是用户仍旧对其并不看好的原因在于现有移动政务系统的建设并没有紧跟时代的发展。随着大数据、社交媒体、传感器、移动设备和定位系统功能的不断发展，其在各行各业嵌入的程度不断加深，场景已成为移动政务未来服务的主要方向。但是现有移动政务系统似乎并未对其有深刻的认识和刻意的采用，由于没有抓住未来和现有市场的主流，使得移动政务从发展上就没有与时代紧密结合，致使用户对其的感知较差，进而出现了弃用和卸载的情形。2）情境配置粗放。移动政务系统现有基本情境包括了资源情境、技术情境、服务情境。随着场景化要素在移动政务系统中的不断嵌入，使得移动政务相同的情境越来越丰富，由原来的技术情境和服务情境衍生出移动情境、社交情境和终端情境等辅助情境。然而，由于目前移动政务系统尚未对此进行关注和应用，也就是尚未对现有情境做精细化配置，使得其实际配置效用较差，致使实际服务效果较差。3）服务同质化严重。移动政务系统由于缺乏场景意识以及对情境的精细化配置，使得其同质化服务比较严重，表現为移动政务系统对用户的位置感知灵敏性较差，不能对用户所处的位置结合其历史场景的信息接受偏好为其提供精准化的服务。4）创新观念缺乏。现有移动政务由于上述原因缺乏创新性，移动政务服务急需要树立场景服务理念，针对用户在不同场景的信息需求期望为其提供针性的服务。

1 移动政务系统场景化服务内涵

1.1 移动政务系统场景化服务概念

为了更好地了解和把握移动政务场景化研究的现状，笔者以（主题=‘移动政务and 主题=‘场景）为检索式，不限检索时间，发现目前CNKI中并未有移动政务场景的相关文献，这说明目前移动政务的场景化服务尚未引起业界的足够重视，值得进行深入研究。借鉴相关领域的场景化服务概念的定义，笔者认为移动政务的场景化服务就是移动政务系统能利用移动终端的定位系统实时跟踪用户的位置变化，并利用移动终端的传感器感知用户在某个场景的身体状态，进而用大数据挖掘用户在这个场景的信息需求期望、信息搜索习惯和信息接受偏好，为其所处场景快速配置其信息接受所需要的情境，使用户感觉到移动政务系统似乎是在为其个人提供专属的VIP定制服务。移动政务场景化服务的实质就是要挖掘用户利用移动政务系统接入某个场景的频繁程度，笔者将用户信息接受的场景分为重要场景、一般场景和非重要场景。通过分析用户在这3类场景中的信息需求期望、信息搜索习惯和信息接受偏好，为其进行个性化的信息接受情境配置。另外还可以分析用户利用移动政务频繁接入某个场景的此前接入场景和次后接入场景是否存在着一定的关联性，以便于移动服务系统对用户的场景化信息接受行为进行调节，使其可以提前或推后进入某个接入场景，也可以使其提前或推后离开某个接入场景，以尽可能使其在场景化的信息接受中具有畅体验或沉浸体验。

1.2 移动政务系统场景化服务方向

现有移动政务系统由于上述原因而缺乏创新性，移动政务系统需要树立场景服务理念，针对用户在不同的场景的信息需求为其提供针对性的服务。这就需要移动政务能够感知用户频繁接入的场景，以及在不同场景所需要被提供的信息服务[5]。随着场景化时代的到来，移动政务系统在不同场景积累了大量的用户行为数据，用户也不再局限于简单的利用信息内容。移动政务系统应能充分利用现代技术对用户场景化数据进行分析处理，挖掘用户场景化信息需求期望、信息搜索习惯和信息接受偏好，从而更好地为用户提供多元化的一站式服务和精准的个性化服务。移动政务场景化服务改变了传统政务系统被动服务方式，变被动服务为主动服务，需要移动政务系统挖掘用户历史接入场景的信息接受期望，进而挖掘历史场景的信息接受规律，为用户在合适的时间和地点推送合适的服务[6]。为此，需要移动政务系统能够感知用户接入场景的频繁性，以及在频繁接入场景所需要的信息服务。移动政务系统由原来的被动服务向主动服务发展，再由主动服务向个性化服务方向发展，进而实现以用户为中心的服务转向以场景为中心的服务模式上来，这样使移动政务服务不再是千人一面而是千人千面或千人万面，激活了移动政务系统的服务创新思路。

2 基于FP-tree的最大频繁模式挖掘算法

移动政务场景化服务改变了政务的传统被动服务方式，变被动服务为主动服务，需要移动政务系统挖掘与图书馆个性化信息服务的相关理论，进而介绍了数据挖掘技术在移动政务系统的个性化信息服务中的应用，其次利用历史化场景数据分析了基于FP-Tree的最大频繁模式挖掘算法，最后介绍了移动政务系统的场景化服务过程[7]。宋余庆等指出最大频繁项目集是多种数据挖掘应用中的关键问题，并提出了一种快速的基于频繁模式树（FP-tree）的最大频繁项目集挖掘DMFIA及其更新算法UMFIA，充分利用挖掘结果来减少在更新的数据库中发现新的最大频繁项目集的费用[8]。刘君强等认为在数据库中发现频繁模式和关联规则是数据挖掘领域的最基本、最重要的问题，基于此对关联规则的基本概念和类型、重要挖掘算法、特别是近年来相关研究的新进展做了全面综述与深入分析，并指出了未来的研究方向[9]。冯志新等在FP-tree结构的基础上提出了最大频繁模式挖掘算法FP-Max。实验表明，算法FP-Max在挖掘密集型数据集方面是高效的[10]。敖富江等提出了数据流频繁模式挖掘算法的通用数据流处理模型，详细总结了数据流频繁模式挖掘算法的3种分类方式：“窗口模型”、“结果集类型”和“结果集精确性”。基于这些分类方法提出了数据流频繁模式挖掘算法的设计立方体，该立方体涵盖了现有的数据流[11]。

2.1 基于FP-tree的FP-growth算法

FP-tree最早是由Han提出的一种不产生候选项集的关联规则挖掘算法，他按频繁项集的支持度递减的顺序对数据库排序之后，将数据库压缩到一棵频繁模式树，然后把树分成一组条件数据库，每个数据库关联一个频繁项，分别挖掘每个条件数据库[12]。在生成频繁树时，为方便遍历，创建1个项目头表Htable，它有3个域组成，分别是项目名称（item_name）、该项目的支持树、下一节点指针（item_next），指向该项在树中的第一位置，并且每个节点由4个域组成，分别是节点名称（node_name）、节点计数（node_count）、节点链（node_link）及父节点（node_parent）指针[13]。FP-tree是一个存储事务数据库的项关联及其程度的紧凑树结构，构造FP-tree需要2次数据库扫描：首先扫描数据库一次生成1-频繁集，并把他们按降序排列，放入到项头表中;再扫描数据库1次，对每个数据库的元组进行扫描，把它对应项目集的关联和频度放入到FP-tree中，对应算法称之为频繁模式树构造算法FP-growth如下：

1）扫描事务数据库D1次，产生频繁项集合F及它们支持数。对F按支持数降序排列，生成频繁项目列表LDF[14]。

2）创建FP-tree的根节点，标号为root，其值为空。对D中每个事务执行：将事务s按LDF的次序排列频繁项，设排列后的结果为[p|P]，其中p是第一个项，P是剩余项的列表。调用insert_tree（[p|P]，T），如果T有子女N使得N.item_name=p.item_name，则N的计数加1;否则，创建1个新节点N，故其名称node_name、节点计数node_count分别设为p和1，父节点指针node_parent链接到T，节点链node_link链接到具有相同item_name的節点。若P非空，递归地调用insert_tree（P，N）[15]。假设某个移动政务系统所有用户集合中在不同的时间接入移动政务系统进行信息接受，形成的移动政务场景化信息接受事务表如表1所示。

由此算法，笔者针对表1的移动政务场景化信息接受事务信息表，利用FP-growth算法构造的FP-tree树如图1所示，其中项目头表的顺序是C11、E11、A16、B12、D13。

3）对FP树通过FP-growth（FP-tree，null）对项目头表中的每个项目递归地产生频繁模式树，最终得到频繁项集。FP-tree算法的优点是数据挖掘过程中仅扫描2次数据库，节约了时间，而且不生成候选项集，提高了挖掘效率，于是可将这种算法思想应用于项约束的关联规则挖掘中[16]。对于FP-growth算法而言挖掘的是所有的频繁模式，而在移动政务场景化服务中向用户推荐的只要足够多的数目即可，所以只要挖掘出最大频繁模式即包含数目最多的信息接受模式即可。基于FP-tree的最大频繁模式挖掘算法与FP-growth算法相比较，其不同在于得到的频繁模式需与最大频繁项目集进行比较，检验是否为最大模式，若频繁模式不是最大频繁项目的子集，则将其加入到最大频繁项目集中，否则舍弃[17]。

2.2 最大频繁模式挖掘算法举例

由表2，我们对某个移动政务系统用户接入场景接受信息时对算法进行分析，为了简介，用户接入移动政务进行信息接受的的内容以及编号如下：1）信息公开（基础信息公开A11、行政权力公开A12、行政决策公开A13、财政资金公开A14、企事业单位公开A15、依申请公开A16、公开保障A17）;2）政策引导（决策解读B11、新闻发布会B12、热点专题B13、网络舆情B14）;3）互动交流（政务咨询C11、投诉举报C12、在线访谈C13、民意征集C14）;4）在线办事（办事指南D11、表格下载D12、查询服务D13、在线申请D14）;5）快速链接（业务导航E11、智能搜索E12、专业搜索E13）。若移动政务系统用户的信息接受事物如表2所示，则其最小支持度计数为2[18]。

其挖掘过程如下：

步骤1：第一次扫描事务数据库，生成1-频繁项集L=[A16∶7，B12∶6，B14∶2，D13∶2，E13∶1]，根据最小支持度计数去掉不频繁的项额E13，整理后见表3[19]。

步骤2：第2此扫描事务数据库，创建FP-tree，如图2所示。

步骤3：从项头表的最后一项开始，构造条件模式基、条件FP-tree、频繁模式及最大频繁模式。首先看项头表的最后一项T。从FP-tree中可以看出有2个分支，分别是{A16，B12，D13∶1}和{A16，B12，B14，D13∶1}，T的条件模式基为{（A16B12∶1）（A16B12B14∶1）}，由于K的支持度计数为1，小于最小支持度计数，所以条件FP-tree只包含单个路径{A16∶2，B12∶2}，所以产生的频繁模式为{A16D13∶2}{B12D13∶2}{A16B12D13∶2}。因为模式{A16D13∶2}和{B12D13∶2}是{A16B12D13∶2}的子模式，所以最大频繁模式为{A16B12D13∶2}。对于B14、B11、B12、A16为后缀的最大频繁模式挖掘过程同D13，不同在于生成的频繁模式必须与最大频繁模式对比，若是最大频繁模式的子集则舍弃，否则添加，在挖掘到I时没生成频繁模式{A16B12∶4}是最大频繁模式中{A16B12D13∶2}或{A16B12B11∶2}的子集，则舍弃之[20]（见表4）。

由表4的挖掘结果，笔者得到了不同事务项的最大频繁集，这些频繁集的内涵表示为：1）{A16B12D13∶2}，该最大频繁集项表明移动政务用户接入场景进行信息查询时，不仅查看依申请的公开信息，还会观看新闻发布会，其频繁阈值是2。2）{A16B12D13∶2}{A16B14∶2}，该最大频繁集项表明移动政务用户接入场景进行网络舆情信息浏览时，有

两类关联。其一是查询依申请公开的信息和观看新闻发布会;其二是查询依申请公开的信息及网络舆情。3）{A16B12D13∶2}{A16B14∶2}{A16B12B11∶2}，该最大频繁集项表明移动政务用户接入场景查看政策解读时，有三类关联。其一是查询依申请公开的信息和观看新闻发布会;其二是查询依申请公开的信息及网络舆情;其三是查询依申请公开的信息和观看新闻发布会以及观看政策解读的内容。4）{A16B12D13∶2}{A16B14∶2}{A16B12B11∶2}，该最大频繁集项表明移动政务用户接入场景查看新闻发布会时，有三类关联。其一是查询依申请公开的信息和观看新闻发布會;其二是查询依申请公开的信息及网络舆情;其三是查询依申请公开的信息和观看新闻发布会以及观看政策解读的内容。由此，根据挖掘出的关联规则对用户进行个性化服务，进而可以提升用户的移动政务场景化信息接受意愿，最终提升用户的信息接受愉悦度。

3 移动政务场景化适配服务

移动政务场景化信息接受的频繁接入表明了用户对某个场景的依赖程度，但是目前移动政务服务同质化的现象严重制约了其发展和服务创新。由此，需要根据上述对用户接入移动政务的频繁程度对用户所处场景的情境配置，充分调动大数据、移动设备、社交媒体、传感器和定位系统在移动政务的嵌入程度，逐渐满足用户在特定场景的信息需求期望、信息搜索习惯和信息接受偏好[21]。为此，移动政务要进一步提升用户获取政务信息和服务的便捷度和用户体验。移动政务客户端不仅要提供静态信息查询、业务信息查询、在线提交等功能，还应该基于用户地理位置服务、微博分享、个性化订阅、消息推送、离线缓存等功能的提供情况。移动政务客户端对政务信息公开，提供便民查询等服务。移动政务客户端应能保障不被用户恶意入侵和发布渠道安全等[22]。

3.1 基于用户场景化信息需求适配

移动政务场景化信息需求适配就是要根据用户接入某个场景频繁程度下的信息需求期望实现“场景—需求—情境”配置，其配置的目的是要实现以下几个方面的目标：1）可感知性。移动政务系统应能通过定位系统实时感知用户所处的位置及位置变化，运用传感器感知用户接入移动政务系统的身体状态，预测其信息需求期望，为用户提供针对化的信息接受[23]。2）可操作性。移动政务为用户所处的场景提供技术情境，通过不断丰富其技术情境，实现技术情境的可用性、有用性和易用性，为用户信息接受提供便利，并应该能防止和纠正用户的操作失误提供措施的情况[24]。3）可理解性。移动政务系统将用户所需要的信息内容通过运用HTML5的形式，以可视化的形式呈现在移动终端，其内容的布置和功能便于用户理解和使用的情况。4）兼容性。移动政务系统资源情境足够丰富和强壮，可满足不同用户在不同场景的信息需求期望，實现“场景—需求—情境”的适配[25]。

3.2 基于用户场景化信息搜索适配

移动政务场景化信息搜索就是要根据用户接入某个场景频繁程度下的信息搜索习惯实现“场景—搜索—情境”配置，其配置的过程是为了实现以下几个方面的目标：1）内部搜索。移动政务APP系统搜索技术情境需要基于用户信息搜索习惯进行配置，并可以通过关键词进行文字、语音等的检索，也可以通过移动政务APP根据用户信息需求偏好为其进行信息导航。以满足用户利用移动政务系统满足其多元化的一站式服务和精准的个性化服务方式。2）公共搜索。考察移动政务系统的信息资源情境在主流公共搜索引擎中的检索情况，包括站点检索、重点服务检索和时政热点检索。如用户在公共搜索框中输入关键词，移动政务在检索结果中的优先展现和资源整合，移动政务还可以围绕重点业务在搜索框中输入关键词，以移动政务相关业务的优先级进行可视化呈现，以体现系统的实用化程度。为此，移动政务系统基于用户在搜索框中输入的检索，通过资源情境配置，进而有针对性地对检索结果进行整合和展现[26]。3）结果搜索。移动政务应能提供行政办事状态查询或结果查询，办事状态查询和结果查询是否与实际办理情况保持一致，包括内容一致、更新时间是否一致等。4）便民查询。移动政务应能结合用户所处的场景为其提供便民服务，做到人性化和个性化相统一。

3.3 基于用户场景化信息接受适配

移动政务场景化信息接受就是要根据用户接入某个场景频繁程度下的信息接受偏好实现“场景—接受—情境”配置，其配置的过程也正是实现以下几个方面目标的过程：1）信息分享。移动政务系统应能将系统内的信息通过转发功能将其分享至微博、微信、QQ等社交媒体，也可以在移动政务系统内进行分享[27]。2）位置服务。移动政务系统应该能提供基于地理位置服务，通过调用百度、谷歌等地图进行位置服务。3）信息推送。根据对用户历史场景化信息接受的挖掘结果，为用户在适当的场景推送适量的信息，以实现多元化的信息覆盖[28]。4）资源覆盖。客户端发布的重要政务信息，应包括文字新闻、图片新闻、通知公告等动态信息，并且对同一主题的信息对不同类型的资源进行语义和关联聚合，以提升用户信息接受的持续意愿[29]。5）信息安全。移动政务系统应该判断某个客户端是否存在恶意扣费、隐私窃取、远程控制、恶意传播、资费消耗、系统破坏、诱骗欺诈、流氓行为等恶意行为。由此，移动政务的场景化适配服务应该从“场景—需求—情境”“场景—搜索—情境”“场景—接受—情境”的三维一景适配。具体的配置方法是实现情境与场景基于用户信息接受的配置，使得移动图书馆场景化信息接受情境在配置过程中既不浪费情境也不会造成情境不足，实现场景化信息接受的正适配，而非欠适配和过适配[30]。

4 结束语

随着场景化要素在移动政务系统嵌入程度的逐渐深入，以及移动政务系统场景化信息接受情境的不断丰富，移动政务场景化信息接受的绩效取决于移动政务系统场景化的信息接受情境配置的程度。为地，基于频繁接入模式的方法进行场景化信息接受的挖掘，形成FP-tree，并利用FP-growth算法对用户的接入场景的频繁程度进行挖掘，以确定用户频繁接入场景的信息接受期望、信息接受习惯和信息接受偏好，为用户在某个场景时为其配置信息接受情境，使移动政务信息接受情境既不浪费也不会不足，从而避免了现有移动政务场景化信息接受情境在场景中不断碰撞和游离的状态，使得移动政务场景功效更为突出。

参考文献

[1]郑跃平，黄博涵.“互联网+政务”报告（2016）——移动政务的现状与未来[J].电子政务，2016，（9）：16-31.

[2]朱琳.电子政务环境下移动政务发展研究[J].上海行政学院学报，2011，12（3）：23-30.

[3]陈则谦.中国移动政务APP客户端的典型问题分析[J].电子政务，2015，（3）：12-17.

[4]赵蓉.移动政务关键成功因素研究[J].上海行政学院学报，2008，（5）：28-34.

[5]Inokuchi A，Washio T，Motoda H.Complete Mining of Frequent Patterns from Graphs[J].Machine Learning，2003，50（3）：321-354.

[6]Ghoting A，Buehrer G，Parthasarathy S，et al.Cache-conscious Frequent Pattern Mining on Modern and Emerging Processors[J].Vldb Journal，2007，16（1）：77-96.

[7]Tanbeer S K，Ahmed C F，Jeong B S，et al.Efficient Single-pass Frequent Pattern Mining Using a Prefix-tree[J].Information Sciences，2009，179（5）：559-583.

[8]宋余庆，朱玉全，孙志挥，等.基于FP-Tree的最大频繁项目集挖掘及更新算法[J].软件学报，2003，（9）：1586-1592.

[9]刘君强，孙晓莹，王勋，等.挖掘最大频繁模式的新方法[J].计算机学报，2004，（10）：1328-1334.

[10]冯志新，钟诚.基于FP-tree的最大频繁模式挖掘算法[J].计算机工程，2004，（11）：123-124.

[11]敖富江，颜跃进，黄健，等.数据流频繁模式挖掘算法设计[J].计算机科学，2008，（3）：1-5.

[12]章志剛，吉根林.一种基于FP-Growth的频繁项目集并行挖掘算法[J].计算机工程与应用，2014，50（2）：103-106.

[13]姬浩，苏兵，吕美.基于FP-growth算法的高校群体性突发事件关联规则分析[J].中国安全科学学报，2012，22（12）：144-151.

[14]陆楠，王喆，周春光.基于FP-tree频集模式的FP-Growth算法对关联规则挖掘的影响[J].吉林大学学报：理学版，2003，（2）：180-185.

[15]何中胜，庄燕滨.基于Apriori & Fp-growth的频繁项集发现算法[J].计算机技术与发展，2008，（7）：45-47，52.

[16]邓玲玲，娄渊胜，叶枫.FP-growth算法改进与分布式Spark研究[J].微型电脑应用，2016，32（5）：9-11，19.

[17]李良，米智伟，向新.基于FP-Growth的战略绩效关联分析算法研究[J].微计算机应用，2011，32（2）：1-8.

[18]霍纬纲，邵秀丽.基于TD-FP-growth的模糊关联规则挖掘算法[J].控制与决策，2009，24（10）：1504-1508.

[19]石云平.FP-Growth关联算法应用研究[J].计算机与信息技术，2008，（7）：12-14.