Apriori एल्गोरिदम के कुछ रूपांतर प्रस्तावित किए गए हैं जो मूल एल्गोरिदम की दक्षता विकसित करने को लक्षित करते हैं जो निम्नलिखित हैं:
हैश-आधारित तकनीक (hashing itemsets into corresponding buckets)
हैश-आधारित तकनीक का उपयोग उम्मीदवार k-आइटमसेट, Cₖ, का आकार कम करने के लिए किया जा सकता है, जहां k > 1। उदाहरण के लिए, डेटाबेस में प्रत्येक लेनदेन को स्कैन करके उम्मीदवार 1-आइटमसेट C₁ से बारंबार 1-आइटमसेट L₁ बनाने के लिए, यह प्रत्येक लेनदेन के लिए कुछ 2-आइटमसेट बना सकता है, उन्हें हैश (यानी, मैप) कर सकता है एक हैश टेबल संरचना की कई बाल्टी में, और समकक्ष बाल्टी काउंट बढ़ा सकता है।
लेनदेन कमी (Transaction reduction)
एक लेनदेन जिसमें कोई बारंबार k-आइटमसेट शामिल नहीं है, उसमें कोई बारंबार (k + 1)-आइटमसेट शामिल नहीं हो सकता। इस प्रकार, ऐसे लेनदेन को आगे के विचार के लिए चिह्नित या हटाया जा सकता है क्योंकि डेटाबेस के बाद के स्कैन j-आइटमसेट के लिए, जहां j > k, को इसकी आवश्यकता नहीं होगी।
पार्टीशनिंग (Partitioning)
एक पार्टीशनिंग तकनीक का उपयोग किया जा सकता है जिसे बारंबार आइटमसेट को माइन करने के लिए दो डेटाबेस स्कैन की आवश्यकता होती है। इसमें दो चरण शामिल हैं: चरण I में, एल्गोरिदम D के लेनदेन को n नॉन-ओवरलैपिंग पार्टीशन में विभाजित करता है। यदि D में लेनदेन के लिए न्यूनतम समर्थन थ्रेशोल्ड min_sup है, तो एक पार्टीशन के लिए न्यूनतम समर्थन काउंट min_sup × उस पार्टीशन में लेनदेन की संख्या है।
प्रत्येक पार्टीशन के लिए, पार्टीशन के भीतर सभी बारंबार आइटमसेट खोजे जाते हैं। इन्हें स्थानीय बारंबार आइटमसेट के रूप में परिभाषित किया जाता है। प्रक्रिया एक विशिष्ट डेटा संरचना का उपयोग करती है जो प्रत्येक आइटमसेट के लिए, आइटमसेट में आइटम शामिल करने वाले लेनदेन के TID रिकॉर्ड करती है। यह इसे डेटाबेस के केवल एक स्कैन में सभी स्थानीय बारंबार k-आइटमसेट, k = 1, 2... के लिए ढूंढने में सक्षम बनाता है।
एक स्थानीय बारंबार आइटमसेट पूरे डेटाबेस D के संबंध में बारंबार हो भी सकता है और नहीं भी। कोई भी आइटमसेट जो संभवतः D के संबंध में बारंबार है, वह कम से कम एक पार्टीशन में बारंबार आइटमसेट के रूप में प्रकट होना चाहिए। इस प्रकार, सभी स्थानीय बारंबार आइटमसेट D के लिए उम्मीदवार आइटमसेट हैं। सभी पार्टीशन से बारंबार आइटमसेट का सेट D के लिए विश्वव्यापी उम्मीदवार आइटमसेट बनाता है। चरण II में, D का दूसरा स्कैन आयोजित किया जाता है जिसमें प्रत्येक उम्मीदवार के वास्तविक समर्थन का आकलन करके वैश्विक बारंबार आइटमसेट तय किए जाते हैं।
सैंपलिंग (Sampling)
सैंपलिंग दृष्टिकोण का मूल विचार दिए गए डेटा D का एक यादृच्छिक नमूना S चुनना है, और फिर D के बजाय S में बारंबार आइटमसेट खोजना है। इस तरीके से, यह दक्षता के खिलाफ सटीकता की कुछ डिग्री का व्यापार कर सकता है। S का नमूना आकार ऐसा है कि S में बारंबार आइटमसेट की खोज मुख्य मेमोरी में पूरी की जा सकती है, और इसलिए कुल मिलाकर S में लेनदेन का केवल एक स्कैन आवश्यक है।
