本算法常应用于提取频繁项集，与Apriori算法的“产生-测试”范型不同。

一、FP树表示

FP树是一种输入数据的压缩表示。它逐条读入事务，并将事务映射到FP树中的一条路径上。由于不同事务可能存在若干相同的项，因此它们的路径可能部分重叠。越多的路径相互重叠，使用FP树结构获得的压缩效果越好。当FP树足够小时，就可以将其放入内存，而不必重复读取硬盘中的数据，进而加速频繁项集的计算。如果构成的FP树还是很大，可以采用分区投影的方法。

下面是FP树的一个构造实例。

FP树构造

每个结点都包括一个项标记和一个计数，计数显示映射到给定路径的事务个数，初始时，FP树仅包含一个根结点，用null表示。

可见FP树的大小取决于项的排序方式。因此，将业务中的项按其频数排序可能减少树的结构，但不是必然。（高支持度项和其他项没有一起频繁出现的时候）

因此，在FP增长算法里，通常需要对数据集进行两次扫描。

首先，扫描数据集，确定每个项的支持度计数，丢弃非频繁项，而数据集中每个事务的频繁项将按照支持度递减排序。

之后，对数据集进行第二次扫描，构建FP树。

此外，FP树还包含一个连接具有相同项的结点的指针列表，即图中的虚线部分，有助于快速访问树中的项。

二、频繁项集的产生

FP树上的频繁项集生成是基于一种分治思想的策略。

例如，在上述FP树中，需要发现所有以e结尾的频繁项集；

1）首先，手机包含e结点的全部路径，这些路径称之为前缀路径prefix-path；

2）之后，计算结点e关联的支持度计数，为3，假定最低支持度为2，则e是频繁项集；

由于e是频繁的，算法进一步解决发现de、ce、be、ae结尾的频繁项集这一子问题。

解决子问题之前，必须先将前缀路径转换为条件FP树conditioinal FP-tree。

3）条件FP树的构建：首先，更新前缀路径上的支持度计数，因为某些计数包括那些不含e的事务；之后，删除e结点，修剪前缀路径；更新前缀路径的支持度技术后，某些项可能不在频繁；

4）子问题的解决：FP增长算法使用e的条件FP树来解决发现de、ce、be、ae结尾的频繁项集的子问题，从e的条件FP树上收集d等项的前缀路径，并计算其频度计数，得到对应项集的支持度计数，进而判断其频繁性；以此类推；

三、算法的特点

综上所述，频繁模式增长法具有以下特征

1）完备性，保留了频繁模型挖掘的全部信息；

2）简洁性，去除了非频繁项，频繁项按支持度降序排列；

3）压缩性，占用空间更少；