کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4946195 | 1439277 | 2017 | 19 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
An efficient algorithm for mining high utility patterns from incremental databases with one database scan
ترجمه فارسی عنوان
یک الگوریتم کارآمد برای مدلهای ابزارهای استخراج معدن از پایگاه داده های افزایشی با یک اسکن پایگاه داده
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
داده کاوی، الگوهای مفید بالا، یک اسکن پایگاه داده، معدن افزایشی، معدن بهره برداری،
ترجمه چکیده
معدن الگوی پر کاربردی به عنوان یکی از موضوعات مهم در زمینه داده کاوی به طور جدی مورد تحقیق قرار گرفته است، زیرا این روش می تواند محدودیت معدن سنتی را حل کند که نمی تواند ویژگی های پایگاه های دنیای واقعی را در نظر بگیرد. علاوه بر این، حجم اطلاعات پایگاه داده ها به تدریج در برنامه های کاربردی مختلف مانند داده های فروش از بازارهای خرده فروشی و اطلاعات مربوط به سرویس های وب افزایش یافته است و روش های عمومی برای پایگاه داده های ایستا برای پردازش پایگاه داده های پویا و استخراج اطلاعات مفید از آنها مناسب نیستند. اگرچه روشهای استخراج معادلات افزایشی معادن پیشنهاد شده است، رویکردهای قبلی نیاز به حداقل دو اسکن برای معادله الگویی افزایشی صرف نظر از استفاده از هر ساختار دارند. با این حال، رویکردهای اسکن چندگانه برای محیط های جریان مناسب نیستند. در این مقاله، یک الگوریتم کارآمد برای مدل های ابزارهای استخراج معدن از پایگاه داده های افزایشی با یک اسکن پایگاه داده بر اساس ساختار داده های مبتنی بر لیست بدون تولید نامزد پیشنهاد می کنیم. نتایج تجربی با مجموعه داده های واقعی و مصنوعی نشان می دهد که الگوریتم پیشنهادی از روش های ساخت یک فاز قبلی با تولید نامزد برتر است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
High utility pattern mining has been actively researched as one of the significant topics in the data mining field since this approach can solve the limitation of traditional pattern mining that cannot fully consider characteristics of real world databases. Moreover, database volumes have been bigger gradually in various applications such as sales data of retail markets and connection information of web services, and general methods for static databases are not suitable for processing dynamic databases and extracting useful information from them. Although incremental utility pattern mining approaches have been suggested, previous approaches need at least two scans for incremental utility pattern mining irrespective of using any structure. However, the approaches with multiple scans are actually not adequate for stream environments. In this paper, we propose an efficient algorithm for mining high utility patterns from incremental databases with one database scan based on a list-based data structure without candidate generation. Experimental results with real and synthetic datasets show that the proposed algorithm outperforms previous one phase construction methods with candidate generation.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 124, 15 May 2017, Pages 188-206
Journal: Knowledge-Based Systems - Volume 124, 15 May 2017, Pages 188-206
نویسندگان
Unil Yun, Heungmo Ryang, Gangin Lee, Hamido Fujita,