搜索结果: 1-15 共查到“计算机科学技术 频繁项集”相关记录33条 . 查询时间(0.229 秒)
Apriori算法是频繁项集挖掘的经典算法。针对Apriori算法的剪枝操作和多次扫描数据集的缺点，提出了基于散列的频繁项集分组(HFG)算法。证明了2-项集剪枝性质，采用散列技术存储频繁2-项集，将Apriori算法剪枝操作的时间复杂度从O(k×|Lk|)降低到O(1)；定义了首项的子项集概念，将数据集划分为以Ii为首项的数据子集并采用分组索引表存储，在求以Ii为首项的频繁项集时，只扫描以Ii为...
在稠密型数据库中，现有最大频繁项集挖掘算法效率低、耗时长，挖掘结果模糊，不利于用户使用。为此，提出一种项约束先过滤的最大频繁项集挖掘算法——VCM。利用项包含约束过滤数据库，使用垂直数据表示数据集，采用深度优先的挖掘策略对数据库进行最大频繁相集的挖掘。实验结果表明，该算法快速有效，尤其在挖掘具有长模式的稠密数据库时优势明显。
基于Apriori的加权频繁项集挖掘算法存在扫描数据集次数多的问题。为此，提出一种基于动态项集计数的加权频繁项集算法。该算法采用权值键树的数据结构和动态项集计数的方法，满足向下闭合特性，并且动态生成候选频繁项集，从而减少扫描数据集的次数。实验结果证明，该算法生成的加权频繁项集具有较高的效率和时间性能。
P2P网络中最大频繁项集挖掘算法研究
数据挖掘 P2P网络 最大频繁项集 关联规则
2010/9/1
为解决P2P网络频繁项集挖掘中存在的全体频繁项集数量过多和网络通信开销较大这两个问题，提出了一种在P2P网络中挖掘最大频繁项集的算法P2PMaxSet。首先，该算法只挖掘最大频繁项集，减少了结果的数量;其次，每个节点只需与邻居节点进行结果交互，节省了大量的通信开销;最后，讨论了网络动态变化时算法的调整策略。实验结果表明，算法P2PMaxSet具有较高的准确率和较少的通信开销。
挖掘最大频繁项集的遗传蚁群优化算法
关联规则 最大频繁项集 遗传算法 蚁群算法
2010/7/1
为了提高挖掘的效率和精度，采用代数定义最大频繁项集并建立其数学模型，通过二进制编码将支持度的计算、蚁群算法和遗传算法求解有机地融合，从而提出一种求解该数学模型的遗传蚁群算法。实验表明，该算法挖掘最大频繁项集是有效的，具有良好的伸缩性。
窗口模式下在线数据流中频繁项集的挖掘
在线数据流 频繁项集 滑动窗
2010/5/1
拟采用一种基于滑动窗模式的单遍挖掘算法，专注于处理近期数据；为了减少处理时间和占用的内存，设计了一种新的事务表示方法。通过处理这个事务的表达式，频繁项集可以被高效输出，并解决了使用基于Apriori理论的算法时，由候选频繁1-项集生成频繁2-项集时数据项顺序判断不准确问题。该算法称为MRFI-SW算法。
基于seeds集和频繁项集挖掘的半监督聚类算法
半监督聚类 频繁项集挖掘 带权χ2测试 seeds集
2010/3/11
半监督聚类在无监督学习中通过对少量监督信息的有效利用提高聚类性能。提出一种基于seeds集的半监督聚类算法，它采用Apiori算法对初始seeds集和扩大规模后seeds集的数据进行频繁项集挖掘，使得数据中存在的噪音数据和误标记数据得到净化、修正，以改善seeds集质量，提高聚类性能。该算法使用带权χ2测试这一数学模型作为分类规则度量指标，以对无标记数据进行类标签值预测。实验结果显示，所提出的结合...
一种基于矩阵的频繁项集更新算法
数据挖掘 关联规则 频繁项集 更新
2010/3/1
针对相关算法在处理频繁项集更新时所存在的问题，提出了一种基于矩阵的频繁项集更新算法。该算法首先以时间为基准将更新后的数据库分为原数据库和新增数据库，分别将它们转换为0-1矩阵，通过矩阵裁剪、位运算产生新增频繁项集，并利用已有频繁项集更新原有频繁项集。实验仿真结果不但证明了该算法的可行性和高效性，而且还证明了它适合大型、稠密性数据库的频繁项集更新。
基于前缀树的高效频繁项集挖掘算法
频繁项集 数据挖掘 前缀树
2010/2/10
针对频繁项集挖掘时间与空间效率低的问题，提出一种基于前缀树的高效频繁项集挖掘算法，通过对事务集进行预处理，创建索引表并分配索引编号，保证前缀树中事务顺序的一致性，根据索引编号等信息创建紧凑的前缀树，采用自底向上的挖掘与投影的方式挖掘出频繁项集。实验结果表明，该算法挖掘效率高、占用空间少。
挖掘数据流中最大频繁项集是从数据流中获得信息的一种有效手段，是数据流挖掘研究的热点之一。结合数据流的特点，提出了一种新的基于滑动窗口的最大频繁项集挖掘算法。该算法用位图来存储数据流中流动的数据；采用直接覆盖的方法存储和更新数据流上的数据；在深度优先搜索挖掘最大频繁项集时，除采用经典的剪枝策略外，还提出了与父等价原理相对应的子等价剪枝策略；最后将挖掘结果存储在索引链表中以提高超集检测效率，进一步减少...
数据流中基于矩阵的频繁项集挖掘
数据流 数据挖掘 频繁模式
2009/11/4
挖掘频繁项集是挖掘数据流的基本任务。许多近似算法能够有效地对数据流进行频繁项挖掘，但不能有效地控制内存资源消耗和挖掘运行时间。为了提高数据流频繁项集挖掘的时空效率，通过引入矩阵作为概要数据结构，提出了一种新的数据流频繁项集挖掘算法。最后通过实验证明了该算法的有效性。
基于FP-Tree的共享前缀频繁项集挖掘算法
频繁项集 高频繁模式树（FP-Tree） 共享前缀
2009/10/12
在数据挖掘中发现关联规则是一个基本问题，而发现频繁项集是关联规则挖掘中最基本、最重要的问题。提出了基于FP-Tree的共享前缀频繁项集挖掘算法－FP-SPMA算法。构造FP-Tree来压缩事务数据库，通过共享前缀和前瞻剪枝快速减小候选项集，无需递归构造条件模式树，算法性能有明显的提高。
基于最大频繁项集的聚类算法
聚类分析 最大频繁项集 Apriori性质
2009/9/4
介绍频繁项集的概念及其性质，把最大频繁项集作为聚类的依据，提出一种基于最大频繁项集的聚类算法，将关联分析与聚类分析相结合，在聚类中充分利用数据项间的关联性，无须输入聚类个数，并在多个数据集上进行实验。实验结果表明，与传统的基于距离的聚类算法K-Means相比，该算法减少计算数据对象间距离的时间花销，提高算法的效率，具有较高的聚类精度，聚类结果的可解释性也 较强。
基于事务树的最大频繁项集挖掘算法
最大频繁项集 TT-Apriori算法 事务树
2009/8/20
针对Apriori算法在寻找频繁项集的过程中需多次扫描数据库、侯选项集过多、支持度计算过于复杂等问题，提出TT-Apriori算法。该算法将事务数据库转化成事务树，通过遍历事务树能直接快速地找到最大频繁项目集。简化支持度的计算，避免对整个数据库的扫描和大量的连接步骤，从而提高挖掘效率。