基于偏序压缩技术的频繁序列模式数据挖掘

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (3): 192-194.

基于偏序压缩技术的频繁序列模式数据挖掘

程舒通^1,2,徐从富¹,但红卫¹

1．浙江大学计算机科学与技术学院，杭州 310027
2．杭州科技职业技术学院，杭州 310022

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-21 发布日期:2008-01-21
通讯作者: 程舒通

Partial order compresssion-oriented frequent sequential pattern datamining

CHENG Shu-tong^1,2,XU Cong-fu¹,DAN Hong-wei¹

1.College of Computer Science of Technology of Zhejiang University，Hangzhou 310027，China
2.Hangzhou Poly Technique College，Hangzhou 310022，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-21 Published:2008-01-21
Contact: CHENG Shu-tong

摘要/Abstract

摘要： 基于频繁序列模式的压缩技术旨在提高数据挖掘结果的可用性和可理解性，从庞大的序列模式中发现有用的知识。分析了现有频繁模式压缩算法的不足，提出了在模式聚类函数的基础上生成一个压缩的偏序（Partial Order）的算法，实验结果显示该算法可以对频繁序列模式进行高效，高质量的压缩，可以得到数量更少、信息量更大的模式，从而提高发现的频繁访问序列的兴趣性。

关键词: 数据挖掘, 频繁序列模式, 偏序, 压缩

Abstract: In this article，compression method based on frequent sequential pattern is to improve the usability and intelligibility of data mining，discover useful information from among colossal sequence.After analyzing the shortages of the existing algorithms for frequent pattern compression，we propose an algorithm for creating compressed partial order based on pattern clustering function.Experiment result shows the compression arithmetic has higher proficiency and quality，we can obtain much less number and much more information pattern.Thereby we could find out more interesting of visited frequent sequential than the normal algorithm.

Key words: data mining, frequent sequential pattern, partial order, compression

程舒通^1,2,徐从富¹,但红卫¹. 基于偏序压缩技术的频繁序列模式数据挖掘[J]. 计算机工程与应用, 2008, 44(3): 192-194.

CHENG Shu-tong^1,2,XU Cong-fu¹,DAN Hong-wei¹. Partial order compresssion-oriented frequent sequential pattern datamining[J]. Computer Engineering and Applications, 2008, 44(3): 192-194.

[1]	宗晓萍，陶泽泽. 基于掌握速度的知识追踪模型[J]. 计算机工程与应用, 2021, 57(6): 117-123.
[2]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[3]	黄文斌，陈仁文，袁婷婷. 改进YOLOv3-SPP的无人机目标检测模型压缩方案[J]. 计算机工程与应用, 2021, 57(21): 165-173.
[4]	刘金金，李清宝，李晓楠. 基于对抗学习和知识蒸馏的神经网络压缩算法[J]. 计算机工程与应用, 2021, 57(21): 180-187.
[5]	马洋，赵旭俊. 基于相关子空间的多源离群检测算法[J]. 计算机工程与应用, 2021, 57(17): 88-95.
[6]	张念蓬，吴旭，朱强. 基于熵的过采样框架[J]. 计算机工程与应用, 2021, 57(13): 96-101.
[7]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[8]	张珊珊，赵建华. 基于IALM的穿墙雷达成像算法[J]. 计算机工程与应用, 2021, 57(11): 77-83.
[9]	饶加旺，马荣华. 改进核密度估计的空间点密度算法[J]. 计算机工程与应用, 2021, 57(11): 260-265.
[10]	蔡鉴明，张贤贤，梁月. 道路交通场景监控视频编码研究[J]. 计算机工程与应用, 2021, 57(10): 187-193.
[11]	王杰，陈志刚，刘加玲，程宏兵. 基于聚类的云隐私行为挖掘技术[J]. 计算机工程与应用, 2020, 56(5): 80-84.
[12]	孙泽宇，吕治国. 大规模MIMO加权正交匹配追踪信道估计算法[J]. 计算机工程与应用, 2020, 56(5): 118-124.
[13]	王龙钢，刘世杰，冯珊珊，李宏伟. 基于时间误差的循环神经网络参数压缩[J]. 计算机工程与应用, 2020, 56(3): 134-138.
[14]	王子龙，李进，宋亚飞. 基于距离和权重改进的K-means算法[J]. 计算机工程与应用, 2020, 56(23): 87-94.
[15]	鲍敬源，薛榕刚. 基于YOLOv3模型压缩的交通标志实时检测算法[J]. 计算机工程与应用, 2020, 56(23): 202-210.