数据流频繁项集的快速挖掘方法

doi:10.3778/j.issn.1002-8331.2008.34.044

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (34): 142-144.DOI: 10.3778/j.issn.1002-8331.2008.34.044

• 数据库、信号与信息处理 • 上一篇下一篇

数据流频繁项集的快速挖掘方法

徐建民^1,2,郝丽维¹,王煜¹

1.河北大学数学与计算机学院，河北保定 071002
2.天津大学系统与工程研究所，天津 300072

收稿日期:2008-06-03 修回日期:2008-09-04 出版日期:2008-12-01 发布日期:2008-12-01
通讯作者: 徐建民

Fast algorithm for mining frequent itemsets over data streams

XU Jian-min^1,2,HAO Li-wei¹,WANG Yu¹

1.College of Mathematic and Computer Science，Hebei University，Baoding，Hebei 071002，China
2.Institute of Systems Engineering，Tianjin University，Tianjin 300072，China

Received:2008-06-03 Revised:2008-09-04 Online:2008-12-01 Published:2008-12-01
Contact: XU Jian-min

摘要/Abstract

摘要： 近年来，数据流挖掘一直是国内外研究的热点，频繁项集挖掘又是数据流挖掘中的重要问题。根据数据流无限性和流动性的特点，提出了一种在滑动窗口中挖掘频繁项集的算法FIM-SW，FIM-SW算法主要是采用垂直的数据库表示方法，使用二进制向量表示每个数据项，并利用Apriori性质产生频繁项集。实验结果表明，这种算法显著地提高了挖掘效率。

关键词: 数据挖掘, 数据流, 频繁项集, 滑动窗口

Abstract: Recently，data streams mining has become a research hotspot at home and abroad，while mining frequent itemsets is an important problem in the data streams mining.According to the features of the data streams which is limitless and mobility，an algorithm called FIM-SW is proposed to mine the frequent itemsets over the sliding window.The vertical database representation is adopted in the proposed algorithm，each item is represented by bitvector，and the Apriori property is used to get frequent itemsets.The experimental results show that it improves the efficiency for mining observably.

Key words: data mining, data stream, frequent itemset, sliding window

徐建民^1,2,郝丽维¹,王煜¹. 数据流频繁项集的快速挖掘方法[J]. 计算机工程与应用, 2008, 44(34): 142-144.

XU Jian-min^1,2,HAO Li-wei¹,WANG Yu¹. Fast algorithm for mining frequent itemsets over data streams[J]. Computer Engineering and Applications, 2008, 44(34): 142-144.

[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]	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.
[4]	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.
[5]	王俊红，郭亚慧. 面向动态数据块的非平衡数据流分类算法[J]. 计算机工程与应用, 2021, 57(13): 124-129.
[6]	周玉，朱文豪，房倩，白磊. 基于聚类的离群点检测方法研究综述[J]. 计算机工程与应用, 2021, 57(12): 37-45.
[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]	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.
[9]	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.
[10]	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.
[11]	衣俊艳，吴博雅，雍巧玲. 具有加权特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(22): 55-65.
[12]	纪文璐，王海龙，苏贵斌，柳林. 基于关联规则算法的推荐方法研究综述[J]. 计算机工程与应用, 2020, 56(22): 33-41.
[13]	徐家臻，李婷，杨巍. 多尺度局部特征选择的行人重识别算法[J]. 计算机工程与应用, 2020, 56(2): 141-145.
[14]	徐清妍，何丽，朱泓西. 改进Hoeffding不等式的概念漂移检测方法[J]. 计算机工程与应用, 2020, 56(19): 55-61.
[15]	顾军华，苏鸣，张亚娟，张丹红. 基于位编码链表的快速频繁模式挖掘算法研究[J]. 计算机工程与应用, 2020, 56(19): 86-93.

数据流频繁项集的快速挖掘方法

Fast algorithm for mining frequent itemsets over data streams

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics