Efficient frequent itemset mining methods over time-sensitive streams

داده های جریان داده به طور پویا و به سرعت در حال رسیدن هستند، و ویژگی ها را نمی توان با استفاده از پنجره کشویی مبتنی بر معامله نشان داد؛ بنابراین، نتایج معدن نادرست است. این مقاله بر روی این مسئله تمرکز دارد و یک پنجره پنجره کشویی مبتنی بر نشانه را ایجاد می کند که می تواند بیشتر به یک پنجره کشویی بر مبنای معامله تبدیل شود. بر اساس این مدل، یک درخت شمارش گسترده برای توسعه اطلاعات ضروری نگهداری می شود. در الگوریتم معدن مکرر مورد استفاده ما، ما نوع تغییر تبدیل را به صورت پویا طبقه بندی اقلام را به دسته بندی معرفی می کنیم؛ بنابراین، پردازش برخی از اقلام خاص می تواند به تعویق افتد یا نادیده گرفته شود، به این معناست که اقلام مورد استفاده قرار نمی گیرد مگر اینکه مرزهای نوع تغییر آن به آستانه برسند. به عنوان یک نتیجه، هرس محاسباتی می تواند انجام شود. با این وجود، تنها شرایط برای دستیابی به نتایج دقیق را تضمین می کند و بنابراین نمی تواند بهترین عملکرد را به دست آورد. این مشکل در الگوریتم تقریبی معدن ما بهبود یافته است، که در آن ما یک استراتژی مبتنی بر قاعده اکتشافی پیشنهاد می کنیم. علاوه بر این، می تواند هزینه های محاسباتی بیشتری را با خطای معدن قابل تحمل صرفه جویی کند. تجزیه و تحلیل تئوری و مطالعات تجربی نشان می دهد که الگوریتم های پیشنهادی ما با دقت بالا، صرف زمان و حافظه کمتر محاسبه می کنند و از روش اولیه و الگوریتم های پیشرفته بالاتر بهره مند می شوند.