一种基于模糊列表缓冲区的高模糊效用项集挖掘方法

1.本发明涉及高模糊效用项集挖掘技术领域，更具体地，涉及一种基于模糊列表缓冲区的高模糊效用项集挖掘、系统及计算机可读存储介质。


背景技术：

2.科学技术的日趋进步，数据的采集样本涉及的热门领域越做越广(如经济、军事、物流、金融、电信等)，现实中的数据对比一般情况是结构复杂或混合、结构化或非结构化、不完整、特征不精确的，而这些模糊复杂的数据集，没有提取其重要典型特征，无从完成数据的统计的挖掘分析。现在的研究窘境显示，许多研究者在确定性的数据挖掘技术方面尽管取得的丰硕的获得的成果，问题提出了许多有效地实现算法，并满足了各种不同的实际快速应用，实际上对模糊复杂的数据挖掘技术研究还处在不成熟的重要阶段，仍客观存在大量的具体问题有待加以解决。“很模糊”是人类与动物感知一切万物、获取各种知识、认知推理、决策实施的重要结构特征。“一片模糊”比“清晰”所包含的信息存储能力更高，哲学内涵更丰富，更符合客观拥有世界。在人类的思维中，有许多模糊的全新的概念，如直径大小，冷热等，这些行业概念没有明确的哲学内涵和外延，也就无法找到并运用传统的精确数学描述。
3.传统的关联规则挖掘(arm)和频繁模式挖掘(fim)算法可能会输出频繁但低利润的结果，这在某些情况下是不可接受的。所以为了解决这个问题，有学者提出了一个新的基于效用理论的挖掘框架，称为高效用项集挖掘(huim)。shen等人首次尝试在关联规则挖掘中应用效用约束。他们指出，效用包括物品的数量和单位项目的利润，它既不是单调的也不是反单调的。此外，由于效用可以是正的或负的。应用在fim中的优化方法不能直接的地应用于huim。随后有学者提出了事务加权利用率模型解决了上述问题。虽然huim算法通过数值效用的衡量来评估不同项目的重要性，但挖掘出来的结果却不能提供其他更多有用的信息，例如项目的购买数量等。
4.因此，现有技术中，wang等人结合效用理论和模糊理论，提出了一个新的架构，称为模糊效用挖掘(fum)，从定量交易数据库中挖掘出高模糊效用项集(hfuis)。此外，lan等人采用了一个用户定义的隶属度函数来评估项集的模糊效用。他们工作的亮点是在fum中实现了向下闭包的特性。在fum中，这是一个有效的模糊效用上界(fuub)。而最近，wan(wan,shicheng,et al."fuim:fuzzy utility itemset mining."arxiv preprint arxiv:2111.00307(2021).)等人提出了一种fum算法，称为fuim。他们提出了剩余模糊效用的概念以及提出了使用模糊列表进行高模糊效用挖掘的方法。大量的实验表明fuim比先前的算法表现得更好。然而，由于模糊列表的结构，fuim在模糊列表的连接操作中耗费了过多的运行时间和内存。因此，亟需提出一种基于模糊列表缓冲区的高模糊效用项集挖掘方法。


技术实现要素：

5.本发明为克服上述现有技术中高模糊效用项集挖掘内存消耗大、用时时间长的缺
陷，提供一种基于模糊列表缓冲区的高模糊效用项集挖掘、系统及计算机可读存储介质，降低高模糊效用项集挖掘算法运行时间、降低内存消耗。
6.本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：
7.本发明第一方面提供了一种基于模糊列表缓冲区的高模糊效用项集挖掘方法，包括以下步骤：
8.s1：初始化数据挖掘运行参数，所述数据挖掘运行参数包括：待挖掘的定量数据库d，预定义的隶属度函数r，结果集最小模糊效用阈值minutil；
9.s2：扫描事务数据库d并根据隶属度函数r计算单一项的模糊效用上界fuub，并创建初始化列表i*；
10.s3：将模糊效用上界值不小于最小阈值minutil的单一模糊项存入初始化列表i*，并按照模糊效用上界值升序排序；
11.s4：再次扫描数据库d，构建评估模糊效用共现结构efucs、模糊列表缓冲区flbuf及其辅助的概要列表sl；
12.s5：调用递归搜索子程序search，传入参数，所述参数包括：初始前缀模糊项集初始化列表i*、最小模糊效用阈值minutil、评估模糊效用共现结构efucs、模糊列表缓冲区flbuf及其概要列表sl；
13.s6：输出模糊效用不低于最小阈值的所有高模糊效用项集hfuis，完成数据挖掘。
14.进一步的，步骤s5中调用递归搜索子程序search，包括如下步骤：
15.s501：在递归搜索子程序search中，对于模糊项集p的一个扩展模糊项集x，如果概要列表sl(x)中存储的模糊项集x的模糊效用之和sumfu不小于最小阈值minutil，那么将模糊项集x加入到高模糊效用项集的集合hfuis中；
16.s502：如果模糊项集x的概要列表sl(x)中的模糊效用之和sumfu与剩余模糊效用之和sumrfu相加结果不小于最小阈值minutil，那么模糊项集x的扩展模糊项集则可能是高模糊效用项集；
17.s503：对于模糊项集p的另一个扩展模糊项集y，其中y在模糊项集x之后，找到模糊项集y满足：在评估模糊效用共现结构efucs中模糊项集x和y的模糊效用上界值不小于最小阈值minutil；
18.s504：将模糊列表缓冲区flbuf，概要列表sl，模糊项集p、x、y，最小阈值minutil作为参数调用模糊列表缓冲区构建程序，返回构建结果；
19.s505：若构建结果返回真，那么合并模糊项集x和y为pxy，若模糊项集pxy的概要列表sl(pxy)的模糊效用之和大于0，那么将模糊项集pxy加入模糊项集x的扩展模糊项集的集合extensionsofx中；
20.s506：合并模糊项集p和x作为新的前缀模糊项集px，递归调用搜索子程序search，直到遍历完所有的扩展模糊项集。
21.进一步的，步骤s504所述的模糊列表缓冲区构建程序,包括以下步骤：
22.s5041：在模糊列表缓冲区构建程序中，设指针ppnt，pxpnt，pypnt分别为概要列表中sl(p)，sl(px)，sl(py)的起始位置，指针指向模糊列表缓冲区中的元组；
23.s5042：设变量eameasure为模糊项集px，py的概要列表sl(px)，sl(py)的模糊效用之和与剩余模糊效用之和的相加结果，设变量insertpos为概要列表sl最后一个模糊项集
的起始位置；
24.s5043：如果指针pxpnt指向的元组中tids小于pypnt指向的元组中的tids，那么将指针pxpnt向右移动一位，变量eameasure减去pxpnt指向的元组的fus和rfus之和；
25.s5044：如果指针pxpnt指向的元组中tids大于pypnt指向的元组中的tids，那么将指针pypnt向右移动一位，变量eameasure减去pypnt指向的元组的fus和rfus之和；
26.s5045：如果指针pxpnt指向的元组中tids等于pypnt指向的元组中的tids，并且概要列表sl(p)不为空，那么ppnt的指针连续向右移动，直到ppnt移动到sl(p)的末尾或者ppnt指向的元组中的tids与pxpnt指向的元组中的tids相等为止；
27.s5046：如果待插入位置insertpos超过模糊列表缓冲区大小，那么分配新的内存空间，否则回收再利用内存空间，模糊列表缓冲区添加新元组，令tids为pxpnt的tids，fus为pxpnt的fus加pypnt的fus减去ppnt的fus，rfus为pypnt的rfus；
28.s5047：插入数据后，指针pxpnt和pypnt同时向右移动一位；
29.s5048：当指针pxpnt没有指向概要列表sl(px)的末位置endpos，并且指针pypnt没有指向概要列表sl(py)的末位置endpos时，重复执行模糊列表缓冲区程序；
30.s5049：如果变量eameasure小于最小阈值minutil，返回结果false；
31.s50410：更新概要列表sl(pxy)，返回结果true，结束模糊列表缓冲区构建程序。
32.进一步的，模糊列表缓冲区flbuf利用三元组(tids,fus,rfus)构成，tid为数据库中的事务标识符，fu为事务的模糊效用，rfu为事务的剩余模糊效用。
33.进一步的，概要列表sl利用元组(itemsets,startposs,endposs,sumfus,sumrfus)构成，其中，itemset表示模糊项集，startpos和endpos分别表示模糊列表缓冲区flbuf中对应模糊项集的起始和结束位置，sumfu表示模糊列表缓冲区中对应模糊项集的模糊效用fus之和，sumrfu表示模糊列表缓冲区flbuf中对应模糊项集的剩余模糊效用rfus之和。
34.进一步的，在递归搜索子程序search检查完一个结点及其所有子孙结点后，程序开始回溯，此时已经检查过的结点不再被使用，模糊列表缓冲区flbuf中分配用于存储该结点的内存空间将被回收再利用，新的潜在的模糊项集的数据直接覆盖写入被回收的内存空间，同时更新概要列表sl中的信息，实现内存复用，减少程序的内存消耗。
35.进一步的，评估模糊效用共现结构efucs以矩阵形式表示，索引为模糊项集，数值表示两个模糊项集合并后的模糊效用上界fuub。
36.本发明第二方面提供了一种基于模糊列表缓冲区的高模糊效用项集挖掘系统，该系统包括：存储器、处理器，所述存储器中包括一种基于模糊列表缓冲区的高模糊效用项集挖掘方法程序，所述一种基于模糊列表缓冲区的高模糊效用项集挖掘方法程序被所述处理器执行时实现如下步骤：
37.s1：初始化数据挖掘运行参数，所述数据挖掘运行参数包括：待挖掘的定量数据库d，预定义的隶属度函数r，结果集最小模糊效用阈值minutil；
38.s2：扫描事务数据库d并根据隶属度函数r计算单一项的模糊效用上界fuub，并创建初始化列表i*；
39.s3：将模糊效用上界值不小于最小阈值minutil的单一模糊项存入初始化列表i*，并按照模糊效用上界值升序排序；
40.s4：再次扫描数据库d，构建评估模糊效用共现结构efucs、模糊列表缓冲区flbuf及其辅助的概要列表sl；
41.s5：调用递归搜索子程序search，传入参数，所述参数包括：初始前缀模糊项集初始化列表i*、最小模糊效用阈值minutil、评估模糊效用共现结构efucs、模糊列表缓冲区flbuf及其概要列表sl；
42.s6：输出模糊效用不低于最小阈值的所有高模糊效用项集hfuis，完成数据挖掘。
43.进一步的，步骤s5中调用递归搜索子程序search，包括如下步骤：
44.s501：在递归搜索子程序search中，对于模糊项集p的一个扩展模糊项集x，如果概要列表sl(x)中存储的模糊项集x的模糊效用之和sumfu不小于最小阈值minutil，那么将模糊项集x加入到高模糊效用项集的集合hfuis中；
45.s502：如果模糊项集x的概要列表sl(x)中的模糊效用之和sumfu与剩余模糊效用之和sumrfu相加结果不小于最小阈值minutil，那么模糊项集x的扩展模糊项集则可能是高模糊效用项集；
46.s503：对于模糊项集p的另一个扩展模糊项集y，其中y在模糊项集x之后，找到模糊项集y满足：在评估模糊效用共现结构efucs中模糊项集x和y的模糊效用上界值不小于最小阈值minutil；
47.s504：将模糊列表缓冲区flbuf，概要列表sl，模糊项集p、x、y，最小阈值minutil作为参数调用模糊列表缓冲区构建程序，返回构建结果；
48.s505：若构建结果返回真，那么合并模糊项集x和y为pxy，若模糊项集pxy的概要列表sl(pxy)的模糊效用之和大于0，那么将模糊项集pxy加入模糊项集x的扩展模糊项集的集合extensionsofx中；
49.s506：合并模糊项集p和x作为新的前缀模糊项集px，递归调用搜索子程序search，直到遍历完所有的扩展模糊项集。
50.本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括基于模糊列表缓冲区的高模糊效用项集挖掘方法程序，所述基于模糊列表缓冲区的高模糊效用项集挖掘方法程序被处理器执行时，实现所述的一种基于模糊列表缓冲区的高模糊效用项集挖掘方法的步骤。
51.与现有技术相比，本发明技术方案的有益效果是：
52.本发明使用评估模糊效用共现结构存储模糊项集的模糊效用上界值，使用对应的评估模糊效用剪枝策略，在高模糊效用项集的挖掘过程中避免对大量无效的模糊项集的检查，进而降低算法运行时间；
53.利用模糊列表缓冲区对内存空间实行统一分配与回收，对于搜索过程中不再使用的模糊项集的模糊列表，模糊列表缓冲区将分配用于存储该项集的模糊列表的内存空间进行回收，并且重新分配给其他可能成为高模糊效用项集的模糊项集，通过内存复用的方式减少内存消耗；
54.将模糊项集的模糊列表存储在模糊列表缓冲区中，对应模糊项集的位置信息存储在概要列表中，通过读取概要列表中模糊项集的位置信息可以在模糊列表缓冲区中直接定位到所需要的模糊项集，优化了对模糊项集的模糊列表的查找过程，降低算法运行时间。
附图说明
55.图1为本发明一种基于模糊列表缓冲区的高模糊效用项集挖掘方法流程图。
56.图2为本发明递归搜索子程序search流程示意图。
57.图3为本发明模糊列表缓冲区构建程序流程示意图。
58.图4为本发明模糊列表缓冲区flbuf、概要列表sl、评估模糊效用共现结构efucs示意图。
59.图5为本发明实施例中flb-miner方法与fuim方法运行时间(s)效果对比示意图。
60.图6为本发明实施例中flb-miner方法与fuim方法内存消耗(mb)效果对比示意图。
具体实施方式
61.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
62.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
63.实施例1
64.如图1所示，本发明第一方面提供了一种基于模糊列表缓冲区的高模糊效用项集挖掘方法，包括以下步骤：
65.s1：初始化数据挖掘运行参数，所述数据挖掘运行参数包括：待挖掘的定量数据库d，预定义的隶属度函数r，结果集最小模糊效用阈值minutil；
66.s2：扫描事务数据库d并根据隶属度函数r计算单一项的模糊效用上界fuub，并创建初始化列表i*；
67.s3：将模糊效用上界值不小于最小阈值minutil的单一模糊项存入初始化列表i*，并按照模糊效用上界值升序排序；
68.s4：再次扫描数据库d，构建评估模糊效用共现结构efucs、模糊列表缓冲区flbuf及其辅助的概要列表sl；
69.s5：调用递归搜索子程序search，传入参数，所述参数包括：初始前缀模糊项集初始化列表i*、最小模糊效用阈值minutil、评估模糊效用共现结构efucs、模糊列表缓冲区flbuf及其概要列表sl；
70.如图2所示，步骤s5中调用递归搜索子程序search，包括如下步骤：
71.s501：在递归搜索子程序search中，对于模糊项集p的一个扩展模糊项集x，如果概要列表sl(x)中存储的模糊项集x的模糊效用之和sumfu不小于最小阈值minutil，那么将模糊项集x加入到高模糊效用项集的集合hfuis中；
72.s502：如果模糊项集x的概要列表sl(x)中的模糊效用之和sumfu与剩余模糊效用之和sumrfu相加结果不小于最小阈值minutil，那么模糊项集x的扩展模糊项集则可能是高模糊效用项集；
73.s503：对于模糊项集p的另一个扩展模糊项集y，其中y在模糊项集x之后，找到模糊项集y满足：在评估模糊效用共现结构efucs中模糊项集x和y的模糊效用上界值不小于最小
阈值minutil；
74.s504：将模糊列表缓冲区flbuf，概要列表sl，模糊项集p、x、y，最小阈值minutil作为参数调用模糊列表缓冲区构建程序，返回构建结果；
75.如图3所示，步骤s504所述的模糊列表缓冲区构建程序,包括以下步骤：
76.s5041：在模糊列表缓冲区构建程序中，设指针ppnt，pxpnt，pypnt分别为概要列表中sl(p)，sl(px)，sl(py)的起始位置，指针指向模糊列表缓冲区中的元组；
77.s5042：设变量eameasure为模糊项集px，py的概要列表sl(px)，sl(py)的模糊效用之和与剩余模糊效用之和的相加结果，设变量insertpos为概要列表sl最后一个模糊项集的起始位置；
78.s5043：如果指针pxpnt指向的元组中tids小于pypnt指向的元组中的tids，那么将指针pxpnt向右移动一位，变量eameasure减去pxpnt指向的元组的fus和rfus之和；
79.s5044：如果指针pxpnt指向的元组中tids大于pypnt指向的元组中的tids，那么将指针pypnt向右移动一位，变量eameasure减去pypnt指向的元组的fus和rfus之和；
80.s5045：如果指针pxpnt指向的元组中tids等于pypnt指向的元组中的tids，并且概要列表sl(p)不为空，那么ppnt的指针连续向右移动，直到ppnt移动到sl(p)的末尾或者ppnt指向的元组中的tids与pxpnt指向的元组中的tids相等为止；
81.s5046：如果待插入位置insertpos超过模糊列表缓冲区大小，那么分配新的内存空间，否则回收再利用内存空间，模糊列表缓冲区添加新元组，令tids为pxpnt的tids，fus为pxpnt的fus加pypnt的fus减去ppnt的fus，rfus为pypnt的rfus；
82.s5047：插入数据后，指针pxpnt和pypnt同时向右移动一位；
83.s5048：当指针pxpnt没有指向概要列表sl(px)的末位置endpos，并且指针pypnt没有指向概要列表sl(py)的末位置endpos时，重复执行模糊列表缓冲区程序；
84.s5049：如果变量eameasure小于最小阈值minutil，返回结果false；
85.s50410：更新概要列表sl(pxy)，返回结果true，结束模糊列表缓冲区构建程序。
86.s505：若构建结果返回真，那么合并模糊项集x和y为pxy，若模糊项集pxy的概要列表sl(pxy)的模糊效用之和大于0，那么将模糊项集pxy加入模糊项集x的扩展模糊项集的集合extensionsofx中；
87.s506：合并模糊项集p和x作为新的前缀模糊项集px，递归调用搜索子程序search，直到遍历完所有的扩展模糊项集。
88.s6：输出模糊效用不低于最小阈值的所有高模糊效用项集hfuis，完成数据挖掘。
89.需要说明的是，本发明所使用的模糊列表缓冲区flbuf、概要列表sl、评估模糊效用共现结构efucs如图4所示。模糊列表缓冲区flbuf利用三元组(tids,fus,rfus)构成，tid为数据库中的事务标识符，fu为事务的模糊效用，rfu为事务的剩余模糊效用。
90.概要列表sl利用元组(itemsets,startposs,endposs,sumfus,sumrfus)构成，其中，itemset表示模糊项集，startpos和endpos分别表示模糊列表缓冲区flbuf中对应模糊项集的起始和结束位置，sumfu表示模糊列表缓冲区中对应模糊项集的模糊效用fus之和，sumrfu表示模糊列表缓冲区flbuf中对应模糊项集的剩余模糊效用rfus之和。
91.需要说明的是，在递归搜索子程序search检查完一个结点及其所有子孙结点后，程序开始回溯，此时已经检查过的结点不再被使用，模糊列表缓冲区flbuf中分配用于存储
该结点的内存空间将被回收再利用，新的潜在的模糊项集的数据直接覆盖写入被回收的内存空间，同时更新概要列表sl中的信息，实现内存复用，减少程序的内存消耗。
92.评估模糊效用共现结构efucs以矩阵形式表示，索引为模糊项集，数值表示两个模糊项集合并后的模糊效用上界fuub。
93.实施例2
94.本发明第二方面提供了一种基于模糊列表缓冲区的高模糊效用项集挖掘系统，该系统包括：存储器、处理器，所述存储器中包括一种基于模糊列表缓冲区的高模糊效用项集挖掘方法程序，所述一种基于模糊列表缓冲区的高模糊效用项集挖掘方法程序被所述处理器执行时实现如下步骤：
95.s1：初始化数据挖掘运行参数，所述数据挖掘运行参数包括：待挖掘的定量数据库d，预定义的隶属度函数r，结果集最小模糊效用阈值minutil；
96.s2：扫描事务数据库d并根据隶属度函数r计算单一项的模糊效用上界fuub，并创建初始化列表i*；
97.s3：将模糊效用上界值不小于最小阈值minutil的单一模糊项存入初始化列表i*，并按照模糊效用上界值升序排序；
98.s4：再次扫描数据库d，构建评估模糊效用共现结构efucs、模糊列表缓冲区flbuf及其辅助的概要列表sl；
99.s5：调用递归搜索子程序search，传入参数，所述参数包括：初始前缀模糊项集初始化列表i*、最小模糊效用阈值minutil、评估模糊效用共现结构efucs、模糊列表缓冲区flbuf及其概要列表sl；
100.s6：输出模糊效用不低于最小阈值的所有高模糊效用项集hfuis，完成数据挖掘。
101.进一步的，步骤s5中调用递归搜索子程序search，包括如下步骤：
102.s501：在递归搜索子程序search中，对于模糊项集p的一个扩展模糊项集x，如果概要列表sl(x)中存储的模糊项集x的模糊效用之和sumfu不小于最小阈值minutil，那么将模糊项集x加入到高模糊效用项集的集合hfuis中；
103.s502：如果模糊项集x的概要列表sl(x)中的模糊效用之和sumfu与剩余模糊效用之和sumrfu相加结果不小于最小阈值minutil，那么模糊项集x的扩展模糊项集则可能是高模糊效用项集；
104.s503：对于模糊项集p的另一个扩展模糊项集y，其中y在模糊项集x之后，找到模糊项集y满足：在评估模糊效用共现结构efucs中模糊项集x和y的模糊效用上界值不小于最小阈值minutil；
105.s504：将模糊列表缓冲区flbuf，概要列表sl，模糊项集p、x、y，最小阈值minutil作为参数调用模糊列表缓冲区构建程序，返回构建结果；
106.s505：若构建结果返回真，那么合并模糊项集x和y为pxy，若模糊项集pxy的概要列表sl(pxy)的模糊效用之和大于0，那么将模糊项集pxy加入模糊项集x的扩展模糊项集的集合extensionsofx中；
107.s506：合并模糊项集p和x作为新的前缀模糊项集px，递归调用搜索子程序search，直到遍历完所有的扩展模糊项集。
108.本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包
括基于模糊列表缓冲区的高模糊效用项集挖掘方法程序，所述基于模糊列表缓冲区的高模糊效用项集挖掘方法程序被处理器执行时，实现所述的一种基于模糊列表缓冲区的高模糊效用项集挖掘方法的步骤。
109.实施例3
110.本实施例数据挖掘方法flb-miner(fuzzy-list buffer for high fuzzy utility itemset miner)与fuim算法在大量数据集上进行测试，数据集类型包括稀疏和稠密、真实数据与合成数据，通过比较，本实施例数据挖掘方法有以下优点：
111.(1)模糊项集挖掘的时间大大缩短：通过将flb-miner算法与fuim算法在不同数据集上运行，运行结果如图5所示。在稀疏数据集retail上，当最小模糊效用率δ取0.0001时，flb-miner算法比fuim算法减少了接近三倍的时间。在合成数据集t40i10d100k上，当最小模糊效用率δ从0.005变化到0.01时，fuim算法的时间跨度接近150s，而flb-miner算法的时间跨度只接近30s。对比其他数据集也可以得到结论，flb-miner算法的运行时间与fuim的算法运行时间对比，flb-miner表现优异，极大缩短了运行时间，并且随着最小模糊效用率的减小，flb-miner算法的性能优异性更好地体现出来。
112.(2)模糊效用挖掘消耗的内存极大减少：flb-miner算法与fuim算法在不同数据集上运行所消耗的最大内存如图6所示。在数据集chess和mushroom上，flb-miner算法所消耗的最大内存约为fuim算法所消耗的最大内存的三分之一。在所有测试数据集上，flb-miner算法相比于fuim算法，均能高效地减少内存的消耗量。主要原因是：通过评估模糊效用共现结构及其剪枝策略，flb-miner算法能够避免对大量无效的模糊项集的检查，减少搜索空间，产生更少的候选模糊项集，进而减少对模糊列表缓冲区的内存使用；通过模糊列表缓冲区和概要列表，以及有效的内存复用机制，对内存空间回收再利用，更加充分地利用内存空间，从而减少内存空间的消耗量。
113.本发明挖掘方法引入了评估模糊效用共现结构，优化了递归搜索程序的剪枝处理，减少程序运行时间。并且通过模糊列表缓冲区结构以及与其相关联的概要列表结构，对模糊列表的构建进行管理，更加高效地检索和存储模糊列表缓冲区中的模糊列表，对已分配的无用的内存空间进行回收再利用，提高内存的复用率，降低挖掘的内存消耗，提高挖掘高模糊效用项集的效率。
114.显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。