在數(shù)據(jù)挖掘中，通過挖掘最大頻繁項(xiàng)集來代替挖掘頻繁項(xiàng)集可以大大地提升系統(tǒng)的運(yùn)行效率。針對現(xiàn)有的最大頻繁項(xiàng)集挖掘算法的運(yùn)行時間消耗仍然很大的問題，提出了一種基于DiffNodeset結(jié)構(gòu)的最大頻繁項(xiàng)集挖掘（ DNMFIM）算法。首先，采用了一種新的數(shù)據(jù)結(jié)構(gòu)DiffNodeset來實(shí)現(xiàn)求交集以及支持度的快速計(jì)算；其次，引入一種新的線性復(fù)雜度的連接方法來降低兩個DiffNodeset在連接過程中的復(fù)雜度，避免了多次的無效計(jì)算；然后，將集合枚舉樹作為搜索空間，同時采用多種優(yōu)化剪枝策略來縮小搜索空間；最后，再結(jié)合最大頻繁項(xiàng)集挖掘算法（ MAFIA）中所使用的超集檢測技術(shù)來有效地提高算法的準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，DNMFIM算法在時間效率方面性能優(yōu)于MAFIA與基于N-list的MAFIA（ NB-MAFIA），該算法在不同類型數(shù)據(jù)集中進(jìn)行最大頻繁項(xiàng)集挖掘時均有良好的效果。

　　數(shù)據(jù)挖掘指的是挖掘大量數(shù)據(jù)之間的隱藏關(guān)系，數(shù)據(jù)挖掘的分析方法包括分類、估計(jì)預(yù)測、頻繁項(xiàng)集挖掘和聚類等。其中頻繁模式和關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘的主要研究領(lǐng)域，Agrawal等。于1994年提出頻繁模式挖掘算法-Apriori算法，Han等于2004年提出了頻繁模式增長（Frequent Pattemgrowth，F(xiàn)P-growth）算法等。但如果數(shù)據(jù)庫比較龐大并且支持度閾值設(shè)置較低時，頻繁項(xiàng)集的數(shù)量就會非常龐大，這是頻繁項(xiàng)集挖掘所面臨的一個問題。