随着5G、人工智能、云计算等信息技术的高速发展,与之相匹配的数据流挖掘算法已无法满足当前需求,在数据流中进行数据挖掘越来越受到研究者的关注。但是数据流中的数据挖掘存在诸多限制,其内存有限,对挖掘算法的要求更高,使得数据流中的数据挖掘存在更大的挑战。关联规则挖掘是数据挖掘的一个重要组成部分,它挖掘不同事务、不同属性之间的潜在联系。本文基于数据流重点进行关联规则中的频繁项集和最大频繁项集挖掘,在挖掘时采用高效的数据压缩结构压缩数据,采用超集检测策略降低数据量,采用高效方法计算支持度计数,从多方位、多角度对数据流频繁项集挖掘进行了深入研究与分析。主要内容如下:论文首先研究改进经典数据流频繁项集挖掘FIUT-Stream算法,提出了一种高效的数据流频繁项集挖掘算法。改进算法采用常用滑动窗口处理数据流,并采用高效位表进行数据压缩,在支持度计算时直接操作位表,通过求与运算计算支持度,实现了支持度的快速计算。该算法挖掘频繁项集,只需对项集所有项在位表中所在的列求与,即可得到该项集支持度计数,从而进行频繁项集的判断,同时在频繁项集挖掘过程中进行超集检测策略降低挖掘数据量。实验结果表明,该改进算法在保证挖掘出的频繁项集准确有效的前提下,挖掘效率更高。接下来论文在以上改进算法的基础上提出一种时间效率和空间效率均表现良好的最大频繁项集的挖掘算法。该算法沿用滑动窗口处理数据流,采用高效压缩位表对数据进行压缩,当滑动窗口中数据填满有新数据流入时,采用简单加减进行支持度更新;在挖掘对最大频繁项集进行挖掘,相较于频繁项集的挖掘在数量级上降低好几个等级,同时从最长项集开始挖掘,结合最大频繁项集的相关性质,在挖掘最大频繁项集过程减少挖掘量。在不同数据集、多实验参数变化情况下的实验结果表明,该算法在进行最大频繁项集挖掘时有良好的效果。论文最后从精准挖掘、概念漂移、新兴技术使用等方面进行了研究展望,提出了未来的一些可能研究方向。