上傳人：1***

認(rèn)證信息

認(rèn)證類型：個人認(rèn)證

認(rèn)證主體：雷**（實名認(rèn)證）

IP屬地：湖北

IP屬地：湖北 上傳時間：2022-01-22 格式：DOC 頁數(shù)：20 大小：754KB 積分：28 舉報 版權(quán)申訴

1、數(shù)據(jù)挖掘?qū)嶒瀳蟾婺夸?.關(guān)聯(lián)規(guī)則的基本概念和方法11.1數(shù)據(jù)挖掘11.1.1數(shù)據(jù)挖掘的概念11.1.2數(shù)據(jù)挖掘的方法與技術(shù)11.2關(guān)聯(lián)規(guī)則31.2.1關(guān)聯(lián)規(guī)則的概念31.2.2關(guān)聯(lián)規(guī)則的實現(xiàn)Apriori算法42.用Matlab實現(xiàn)關(guān)聯(lián)規(guī)則62.1Matlab概述62.2基于Matlab的Apriori算法73.用java實現(xiàn)關(guān)聯(lián)規(guī)則113.1java界面描述113.2java關(guān)鍵代碼描述144、實驗總結(jié)194.1實驗的不足和改進(jìn)194.2實驗心得2021.關(guān)聯(lián)規(guī)則的基本概念和方法1.1數(shù)據(jù)挖掘1.1.1數(shù)據(jù)挖掘的概念計算機(jī)技術(shù)和通信技術(shù)的迅猛發(fā)展將人類社會帶入到了信息時代。在最近十幾年里，數(shù)

2、據(jù)庫中存儲的數(shù)據(jù)急劇增大。數(shù)據(jù)挖掘就是信息技術(shù)自然進(jìn)化的結(jié)果。數(shù)據(jù)挖掘可以從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實際應(yīng)用數(shù)據(jù)中，提取隱含在其中的，人們事先不知道的但又是潛在有用的信息和知識的過程。許多人將數(shù)據(jù)挖掘視為另一個流行詞匯數(shù)據(jù)中的知識發(fā)現(xiàn)（KDD）的同義詞，而另一些人只是把數(shù)據(jù)挖掘視為知識發(fā)現(xiàn)過程的一個基本步驟。知識發(fā)現(xiàn)過程如下：·數(shù)據(jù)清理（消除噪聲和刪除不一致的數(shù)據(jù)）·數(shù)據(jù)集成（多種數(shù)據(jù)源可以組合在一起）·數(shù)據(jù)轉(zhuǎn)換（從數(shù)據(jù)庫中提取和分析任務(wù)相關(guān)的數(shù)據(jù)）·數(shù)據(jù)變換（從匯總或聚集操作，把數(shù)據(jù)變換和統(tǒng)一成適合挖掘的形式）·數(shù)據(jù)挖掘（基

3、本步驟，使用智能方法提取數(shù)據(jù)模式）·模式評估（根據(jù)某種興趣度度量，識別代表知識的真正有趣的模式）·知識表示（使用可視化和知識表示技術(shù)，向用戶提供挖掘的知識）。1.1.2數(shù)據(jù)挖掘的方法與技術(shù)數(shù)據(jù)挖掘吸納了諸如數(shù)據(jù)庫和數(shù)據(jù)倉庫技術(shù)、統(tǒng)計學(xué)、機(jī)器學(xué)習(xí)、高性能計算、模式識別、神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)可視化、信息檢索、圖像和信號處理以及空間數(shù)據(jù)分析技術(shù)的集成等許多應(yīng)用領(lǐng)域的大量技術(shù)。數(shù)據(jù)挖掘主要包括以下方法。神經(jīng)網(wǎng)絡(luò)方法：神經(jīng)網(wǎng)絡(luò)由于本身良好的魯棒性、自組織自適應(yīng)性、并行處理、分布存儲和高度容錯等特性非常適合解決數(shù)據(jù)挖掘的問題，因此近年來越來越受到人們的關(guān)注。典型的神經(jīng)網(wǎng)絡(luò)模型主要分3大類：以

4、感知機(jī)、bp反向傳播模型、函數(shù)型網(wǎng)絡(luò)為代表的，用于分類、預(yù)測和模式識別的前饋式神經(jīng)網(wǎng)絡(luò)模型；以hopfield的離散模型和連續(xù)模型為代表的，分別用于聯(lián)想記憶和優(yōu)化計算的反饋式神經(jīng)網(wǎng)絡(luò)模型；以art模型、koholon模型為代表的，用于聚類的自組織映射方法。神經(jīng)網(wǎng)絡(luò)方法的缺點(diǎn)是"黑箱"性，人們難以理解網(wǎng)絡(luò)的學(xué)習(xí)和決策過程。遺傳算法：遺傳算法是一種基于生物自然選擇與遺傳機(jī)理的隨機(jī)搜索算法，是一種仿生全局優(yōu)化方法。遺傳算法具有的隱含并行性、易于和其它模型結(jié)合等性質(zhì)使得它在數(shù)據(jù)挖掘中被加以應(yīng)用。sunil已成功地開發(fā)了一個基于遺傳算法的數(shù)據(jù)挖掘工具，利用該工具對兩個飛機(jī)失事的真實數(shù)

5、據(jù)庫進(jìn)行了數(shù)據(jù)挖掘?qū)嶒灒Y(jié)果表明遺傳算法是進(jìn)行數(shù)據(jù)挖掘的有效方法之一。遺傳算法的應(yīng)用還體現(xiàn)在與神經(jīng)網(wǎng)絡(luò)、粗糙集等技術(shù)的結(jié)合上。如利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在不增加錯誤率的前提下，刪除多余的連接和隱層單元；用遺傳算法和bp算法結(jié)合訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后從網(wǎng)絡(luò)提取規(guī)則等。但遺傳算法的算法較復(fù)雜，收斂于局部極小的較早收斂問題尚未解決。決策樹方法：決策樹是一種常用于預(yù)測模型的算法，它通過將大量數(shù)據(jù)有目的分類，從中找到一些有價值的，潛在的信息。它的主要優(yōu)點(diǎn)是描述簡單，分類速度快，特別適合大規(guī)模的數(shù)據(jù)處理。粗糙集方法：粗糙集理論是一種研究不精確、不確定知識的數(shù)學(xué)工具。粗糙集方法有幾個優(yōu)點(diǎn)：不需要給出額外信

6、息；簡化輸入信息的表達(dá)空間；算法簡單，易于操作。粗糙集處理的對象是類似二維關(guān)系表的信息表。目前成熟的關(guān)系數(shù)據(jù)庫管理系統(tǒng)和新發(fā)展起來的數(shù)據(jù)倉庫管理系統(tǒng)，為粗糙集的數(shù)據(jù)挖掘奠定了堅實的基礎(chǔ)。但粗糙集的數(shù)學(xué)基礎(chǔ)是集合論，難以直接處理連續(xù)的屬性。而現(xiàn)實信息表中連續(xù)屬性是普遍存在的。因此連續(xù)屬性的離散化是制約粗糙集理論實用化的難點(diǎn)。覆蓋正例排斥反例方法：它是利用覆蓋所有正例、排斥所有反例的思想來尋找規(guī)則。首先在正例集合中任選一個種子，到反例集合中逐個比較。與字段取值構(gòu)成的選擇子相容則舍去，相反則保留。按此思想循環(huán)所有正例種子，將得到正例的規(guī)則(選擇子的合取式)。比較典型的算法有michalski的aq1

7、1方法、洪家榮改進(jìn)的aq15方法以及他的ae5方法。統(tǒng)計分析方法：在數(shù)據(jù)庫字段項之間存在兩種關(guān)系：函數(shù)關(guān)系(能用函數(shù)公式表示的確定性關(guān)系)和相關(guān)關(guān)系(不能用函數(shù)公式表示，但仍是相關(guān)確定性關(guān)系)，對它們的分析可采用統(tǒng)計學(xué)方法，即利用統(tǒng)計學(xué)原理對數(shù)據(jù)庫中的信息進(jìn)行分析?？蛇M(jìn)行常用統(tǒng)計(求大量數(shù)據(jù)中的最大值、最小值、總和、平均值等)、回歸分析(用回歸方程來表示變量間的數(shù)量關(guān)系)、相關(guān)分析(用相關(guān)系數(shù)來度量變量間的相關(guān)程度)、差異分析(從樣本統(tǒng)計量的值得出差異來確定總體參數(shù)之間是否存在差異)等。模糊集方法：即利用模糊集合理論對實際問題進(jìn)行模糊評判、模糊決策、模糊模式識別和模糊聚類分析。系統(tǒng)的復(fù)雜性越高

8、，模糊性越強(qiáng)，一般模糊集合理論是用隸屬度來刻畫模糊事物的亦此亦彼性的。李德毅等人在傳統(tǒng)模糊理論和概率統(tǒng)計的基礎(chǔ)上，提出了定性定量不確定性轉(zhuǎn)換模型-云模型，并形成了云理論。還有接下來重點(diǎn)介紹的關(guān)聯(lián)規(guī)則方法。1.2關(guān)聯(lián)規(guī)則1.2.1關(guān)聯(lián)規(guī)則的概念關(guān)聯(lián)規(guī)則的一個典型例子是購物籃分析。它是由著名的全國五百強(qiáng)沃爾瑪發(fā)現(xiàn)的，沃爾瑪有著世界最大的數(shù)據(jù)倉庫系統(tǒng)，為了能夠準(zhǔn)確了解顧客在其門店的購買習(xí)慣，沃爾瑪對其顧客的購物行為進(jìn)行購物籃分析，想知道顧客經(jīng)常一起購買的商品有哪些。沃爾瑪數(shù)據(jù)倉庫里集中了其各門店的詳細(xì)原始交易數(shù)據(jù)。在這些原始交易數(shù)據(jù)的基礎(chǔ)上，沃爾瑪利用數(shù)據(jù)挖掘方法對這些數(shù)據(jù)進(jìn)行分析和挖掘。一個意外的

9、發(fā)現(xiàn)是："跟尿布一起購買最多的商品竟是啤酒！經(jīng)過大量實際調(diào)查和分析，揭示了一個隱藏在"尿布與啤酒"背后的美國人的一種行為模式：在美國，一些年輕的父親下班后經(jīng)常要到超市去買嬰兒尿布，而他們中有30%40%的人同時也為自己買一些啤酒。產(chǎn)生這一現(xiàn)象的原因是：美國的太太們常叮囑她們的丈夫下班后為小孩買尿布，而丈夫們在買尿布后又隨手帶回了他們喜歡的啤酒。關(guān)聯(lián)規(guī)則由此進(jìn)入人們的視野。關(guān)聯(lián)規(guī)則挖掘被定義為假設(shè)I是項的集合。給定一個交易數(shù)據(jù)庫D，其中每個事務(wù)(Transaction)t是I的非空子集，即每一個交易都與一個唯一的標(biāo)識符TID(Transaction ID)對應(yīng)。關(guān)聯(lián)

10、規(guī)則在D中的支持度(support)是D中事務(wù)同時包含X、Y的百分比，即概率；置信度(confidence)是包含X的事務(wù)中同時又包含Y的百分比，即條件概率。下面舉個例子來更好地說明關(guān)聯(lián)規(guī)則。給定AllElectronics關(guān)系數(shù)據(jù)庫，一個數(shù)據(jù)挖掘系統(tǒng)可能發(fā)現(xiàn)如下形式的關(guān)聯(lián)規(guī)則Age（X,“20.29”）income（X,“20,000.29,000”）？=>buys(X,“CD-Player”)Support=20%,Confident=60%其中X是變量，代表顧客，該關(guān)聯(lián)規(guī)則表示所研究的AllElectronics數(shù)據(jù)庫中，顧客有20%在20-29歲，年收入在20,000-29,00

11、0之間，并且購買CD機(jī)；這個年齡和收入組的顧客購買CD機(jī)的可能性有60%。1.2.2關(guān)聯(lián)規(guī)則的實現(xiàn)Apriori算法1.2.2.1算法描述Apriori算法在發(fā)現(xiàn)關(guān)聯(lián)規(guī)則領(lǐng)域具有很大影響力。算法命名源于算法使用了頻繁項集性質(zhì)的先驗（prior）知識。在具體實驗時，Apriori算法將發(fā)現(xiàn)關(guān)聯(lián)規(guī)則的過程分為兩個步驟：第一步通過迭代，檢索出事務(wù)數(shù)據(jù)庫中的所有頻繁項集，即支持度不低于用戶設(shè)定的閾值的項集；第二步利用頻繁項集構(gòu)造出滿足用戶最小信任度的規(guī)則。其中，挖掘或識別出所有頻繁項集是該算法的核心，占整個計算量的大部分。Apriori算法使用一種稱作逐層搜索的迭代方法，K項集用于搜索（K+1）項集。

12、首先，通過掃描數(shù)據(jù)庫，累積每個項的計數(shù)，并收集滿足最小支持度的項，找出頻繁1項集的集合。該集合記作L1。然后，L1用于尋找頻繁2項集的集合L2，L2用于尋找L3，如此下去，直到不能再找到頻繁K項集。為提高頻繁項集逐層產(chǎn)生的效率，一種稱作Apriori的重要性質(zhì)用于壓縮搜索空間。Apriori性質(zhì)：頻繁項集的所有非空子集也必須是頻繁的。如何在算法中使用Apriori性質(zhì)？主要有兩步過程組成：連接步和剪枝步。(1) 連接步：為找LK，通過將L(k-1)與自身連接產(chǎn)生候選K項集的集合。該候選項集合記作CK。設(shè)l1和l2是Lk-1中的項集。記號lij表示li中的第j項。執(zhí)行L(k-1)連接L(k-1)

13、，如果它們的前（K-2）項相同的話，其中L(k-1)的元素是可連接的。(2) 剪枝步：為壓縮CK，可以用Apriori的性質(zhì)：任何非頻繁的（K-1）項集都不是頻繁K項集的子集。因此，如果候選K項集的（K-1）項子集不在L(k-1)中，則該候選也不可能是頻繁的，從而可以從CK中刪除。1.2.2.1算法舉例Apriori 算法的偽代碼Input: DB, min_supOutput: result = 所有頻繁項集的他們的支持度方法：Result: = ;K: =1;C1: = 所有的1-項集While(Ck)dobegin為每一個Ck中的項集生成一個計數(shù)器;For（i=1; i<DB; i

14、+） begin 對第i個記錄T支持的每一個Ck中的項集，其計數(shù)器加1; endLk: =Ck中滿足大于min_sup的全體項集;Lk支持度保留;Result: =Result ÛLKCk+1: =所有的（k+1）-項集中滿足其k-子集都在Lk里的全體；k=k+1;enddo下面舉個例子來說明Apriori算法。設(shè)某個數(shù)據(jù)庫中有9個事務(wù)。即|D|=9。使用圖1.2解釋Apriori算法發(fā)現(xiàn)D中的頻繁項集。表1.1 某超市的銷售項目的事務(wù)記錄（1） 在算法的第一次迭代時，每個項都是候選1項集的集合C1的成員。算法簡單地掃描所有的事務(wù)，對每個項的出現(xiàn)次數(shù)計數(shù)。（2） 假設(shè)最小支持度計數(shù)為

15、2，即，min_sup=2?？梢钥隙l繁1項集的集合L1。（3） 為了發(fā)現(xiàn)頻繁2項集的集合L2，算法使用L1和L1的連接C2。注意，在剪枝步中，沒有候選從C2中刪除，因為這些候選的每個子集也是頻繁的。（4） 掃描數(shù)據(jù)庫D中的事務(wù)，累計C2中每個候選相集的支持計數(shù)，如圖1.2的第二行中間的表所示。（5） 然后確定頻繁2項集的集合L2，它由C2中滿足最小支持度的候選2項集組成。（6） 候選3項集的集合C3的產(chǎn)生要用到Apriori的逐層搜索技術(shù)，頻繁項集的所有子集都必須是頻繁的，給定一個候選k項集，只需要檢查它們的（k-1）項集是否頻繁。如圖1.2中的第三行的第一個表所示。（7） 掃描D中事務(wù)以確

16、定L3，它由C3中滿足最小支持的的候選3項集組成，如圖1.2中的第三行的第三個表所示。（8） 算法使用L3和L3連接產(chǎn)生候選4項集C4。盡管會產(chǎn)生結(jié)果I1，I2，I3，I5，但是這個項集被剪去，因為它的子集 I2，I3，I5不是頻繁的。所以C4=空集，所以算法終止，找出所有的頻繁項集。圖6.2候選相集合頻繁項集的產(chǎn)生，最小支持度為22.用Matlab實現(xiàn)關(guān)聯(lián)規(guī)則2.1Matlab概述Matlab是由美國mathworks公司發(fā)布的主要面對科學(xué)計算、可視化以及交互式程序設(shè)計的高科技計算環(huán)境。它將數(shù)值分析、矩陣計算、科學(xué)數(shù)據(jù)可視化以及非線性動態(tài)系統(tǒng)的建模和仿真等諸多強(qiáng)大功能集成在一個易于使用的視窗

17、環(huán)境中，為科學(xué)研究、工程設(shè)計以及必須進(jìn)行有效數(shù)值計算的眾多科學(xué)領(lǐng)域提供了一種全面的解決方案，并在很大程度上擺脫了傳統(tǒng)非交互式程序設(shè)計語言（如C、Fortran）的編輯模式，代表了當(dāng)今國際科學(xué)計算軟件的先進(jìn)水平。Matlab的基本數(shù)據(jù)單位是矩陣，它的指令表達(dá)式與數(shù)學(xué)、工程中常用的形式十分相似，故用MATLAB來解算問題要比用C，F(xiàn)ORTRAN等語言完成相同的事情簡捷得多，并且MATLAB也吸收了像Maple等軟件的優(yōu)點(diǎn)，使MATLAB成為一個強(qiáng)大的數(shù)學(xué)軟件。由于Matlab使用矩陣作為其基本數(shù)據(jù)單位，所以使用Matlab進(jìn)行Apriori算法的編輯有著先天的優(yōu)勢，可以使代碼簡潔易懂。下面就來介紹

18、用Matlab編寫的Apriori算法。2.2基于Matlab的Apriori算法采用的原始數(shù)據(jù)是上節(jié)表1.1的某超市的銷售項目的事務(wù)記錄。以下為基于Matlab的Apriori算法的源代碼以及相關(guān)解釋。sup=2; %假設(shè)支持度為2shw=1 1 0 0 1;0 1 0 1 0;0 1 1 0 0;1 1 0 1 0;1 0 1 0 0; 0 1 1 0 0;1 0 1 0 0;1 1 1 0 1;1 1 1 0 0; %shw是事務(wù)矩陣，行表示一個事務(wù)，列表示項目；若某一事務(wù)沒有某項，則該項目用0表示。將上述表1.1的數(shù)據(jù)表示為事務(wù)矩陣，每個項目都用數(shù)字表示。shw = 1 1 0 0 1

19、 0 1 0 1 0 0 1 1 0 0 1 1 0 1 0 1 0 1 0 0 0 1 1 0 0 1 0 1 0 0 1 1 1 0 1 1 1 1 0 0m1,n1=size(shw); m1 = 9n1 = 5%尋找1項集col=(1:n1)'col = 1 2 3 4 5count_sup=sum(shw,1)' %求出所有候選項集C1的支持度count_sup = 6 7 6 2 2temp=find(count_sup>=sup); %查找候選項集C1中支持度>2的項集,生成頻繁項集L1temp = 1 2 3 4 5col=col(temp);cou

20、nt_col_sup=count_sup(temp);L1=col count_col_sup;L1 = 1 6 2 7 3 6 4 2 5 2%產(chǎn)生2項集i=0;j=0;co2=nchoosek(col,2); %產(chǎn)生候選項集C2co2 = 1 2 1 3 1 4 1 5 2 3 2 4 2 5 3 4 3 5 4 5m2,n2=size(co2); count_co2_sup=zeros(m2,1);for i=1:m2 for j=1:m1 if (shw(j,co2(i,1)=1) && (shw(j,co2(i,2)=1) count_co2_sup(i)=count

21、_co2_sup(i)+1; end j=j+1; endendtemp=find(count_co2_sup>=sup); %查找候選項集C2支持度>2的項集,生成頻繁項L2co2=co2(temp,:);count_co2_sup=count_co2_sup(temp,:);L2=co2 count_co2_sup;L2 = 1 2 4 1 3 4 1 5 2 2 3 4 2 4 2 2 5 2%尋找3項集A=co2(:,1) co2(:,2);A = 1 2 1 3 1 5 2 3 2 4 2 5mA,nA=size(A);B(1)=A(1);k=2;for i=1:mA f

22、or j=1:nA if(A(i,j)=B(1:end) %查找重復(fù)出現(xiàn)的商品號 B(k)=A(i,j); k=k+1; %B=1 2 3 5 4 end j=j+1; end i=i+1;endco3=nchoosek(B,3); %產(chǎn)生候選項集C3co3 = 1 2 3 1 2 5 1 2 4 1 3 5 1 3 4 1 5 4 2 3 5 2 3 4 2 5 4 3 5 4m3,n3=size(co3);count_co3_sup=zeros(m3,1);for i=1:m3 for j=1:m1 if(shw(j,co3(i,1)=1) && (shw(j,co3(i,

23、2)=1) && (shw(j,co3(i,3)=1) count_co3_sup(i)=count_co3_sup(i)+1; end j=j+1; endm3=m3+1;endtemp=find(count_co3_sup)>=sup); %查找候選項集C3支持度>2的項集,生成頻繁項L3co3=co3(temp,:);count_co3_sup=count_co3_sup(temp,:);L3=co3 count_co3_sup;L3 = 1 2 3 2 1 2 5 2%尋找4項集C=co3(:,1)' co3(:,2)' co3(:,3)&#

24、39;mC,nC=size(C);D(1)=C(1);K=2;for i=2:nC if(C(i)=D(1:end) %查找重復(fù)出現(xiàn)的商品號 D(K)=C(i); K=K+1; end i=i+1;endco4=nchoosek(D,4);m4,n4=size(co4);count_co4_sup=zeros(m4,1);for i=1:m4 for j=1:m1 if(shw(j,co4(i,1)=1) && (shw(j,co4(i,2)=1) && (shw(j,co4(i,3)=1) && (shw(j,co4(i,4)=1) count

25、_co4_sup(i)=count_co4_sup(i)+1; end j=j+1; endendtemp=find(count_co4_sup)>=sup);co4=co4(temp,:);count_co4_sup=count_co4_sup(temp,:);L4=co4 count_co4_sup;C4 = Empty matrix: 0-by-5上述基于Matlab的Apriori算法的結(jié)果與上節(jié)的圖6.2一致，由于C4是空集，所以算法終止，共找到頻繁項集L1，L2，L3。3.用java實現(xiàn)關(guān)聯(lián)規(guī)則3.1java界面描述運(yùn)行程序Apriori，進(jìn)入關(guān)聯(lián)規(guī)則主界面，如圖3.1所示圖

26、3.1 關(guān)聯(lián)規(guī)則主界面點(diǎn)擊“載入”選擇“g:/1.txt”，選擇“打開”，載入到j(luò)ava界面中，如圖3.2所示圖3.2 載入界面載入完成后的界面，如圖3.3所示圖3.3 載入完成界面輸入最小支持度閾值，如2，點(diǎn)擊“生成頻繁項集”，生成所有頻繁項集，如下圖3.4所示圖3.4 頻繁項集輸入最小可信度的值，如0.6，點(diǎn)擊生成關(guān)聯(lián)規(guī)則，結(jié)果如下圖3.5所示圖3.5 關(guān)聯(lián)規(guī)則3.2java關(guān)鍵代碼描述1、刪除小于支持度的鍵2、創(chuàng)建并返回L1的結(jié)果集3、創(chuàng)建并返回L2的結(jié)果集4、創(chuàng)建并返回L3的結(jié)果集5、在健集keyset里查找健值為a,b,c的健6、判斷在健集keyset里是否已經(jīng)包含了健值為a,b,c的健7、創(chuàng)建關(guān)聯(lián)規(guī)則，返回關(guān)聯(lián)規(guī)則表8、求a與L的差集，并返回差集9、獲取setN的子集。假設(shè)setN=a,b,c，則生成的子集為XXX4、實驗總結(jié)4.1實驗的不足和改進(jìn)在上述基于Matlab和Java的Apriori算法的編寫中均存在以下不足：(1)在生成候選項集的時候會產(chǎn)生許多最后證明不是頻繁項集的候選項集,如果能在生成候選頻繁項集之前能判斷出某些候選集不是頻繁項集,則這樣可以避免在掃描數(shù)據(jù)庫時的開銷；(2)連接程序中相同的項目重復(fù)比較的太多,如果能避免這些重復(fù)的比較,則可以提高算法