一种基于划分的高效用长项集挖掘算法

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (29): 11-13.

一种基于划分的高效用长项集挖掘算法

余光柱^1,4,李克清²,易先军³,邵世煌¹

1.东华大学信息学院,上海 201600
2.武汉大学计算机学院,武汉 430072
3.北京大学计算机软件与微电子学院,北京 102600
4.湖北省荆州市公安局刑侦支队,湖北荆州 434000

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-10-11 发布日期:2007-10-11
通讯作者: 余光柱

Partition-based algorithm for mining high utility long itemsets

YU Guang-zhu^1,4,LI Ke-qing²,YI Xian-jun³,SHAO Shi-huang¹

1.College of Information Science and Technology,Donghua University,Shanghai 201600,China 2.College of Computer Science,Wuhan University,Wuhan 430072,China
3.School of Software and Microelectronics,Peking University,Beijing 102600,China 4.Criminal Investigation Brigade,Jingzhou Public Security Bureau,Jingzhou,Hubei 434000,China

Received:1900-01-01 Revised:1900-01-01 Online:2007-10-11 Published:2007-10-11
Contact: YU Guang-zhu

摘要/Abstract

摘要： 效用（utility）可弥补支持度在表现语义重要性方面的不足。现有的几种基于效用的关联规则挖掘算法都采用了类似Apriori自底向上的搜索方法,不适合长模式的挖掘。提出了一种双向搜索高效用项集的模型及一种基于划分的inter-transaction算法。inter-transaction利用了长事务相交迅速变短的特性和新的减枝策略,能同时输出项集的效用与支持度。实验表明,该方法对蕴含长模式的高维数据库非常有效。

关键词: 高效用长项集, 交集事务, 划分

Abstract: Utility can be used to overcome the shortcoming of support.However,existing algorithms for utility mining adopt an Apriori-like bottom-up search and are inadequate on databases with long patterns.To solve the problem,we have proposed a hybrid model and an algorithm called inter-transaction to discover high utility itemsets from two directions.Inter-transaction utilizes a new pruning strategy and the characteristc that multiple long transactions usually have less common items,and it can output both the utility and support of an itemset.Experiments on synthetic data show that inter-transaction is very effective on high dimensional databases with long patterns.

Key words: long high utility itemset, intersection transaction, partition

余光柱^1,4,李克清²,易先军³,邵世煌¹. 一种基于划分的高效用长项集挖掘算法[J]. 计算机工程与应用, 2007, 43(29): 11-13.

YU Guang-zhu^1,4,LI Ke-qing²,YI Xian-jun³,SHAO Shi-huang¹. Partition-based algorithm for mining high utility long itemsets[J]. Computer Engineering and Applications, 2007, 43(29): 11-13.

[1]	张可铧，成卫青. 基于空间动态划分的差分隐私聚类算法[J]. 计算机工程与应用, 2021, 57(2): 97-103.
[2]	刘艺，张起贵. 划分层次限制的快速帧间预测算法[J]. 计算机工程与应用, 2021, 57(10): 200-203.
[3]	杜宏伟，乔美丽，宋刚，张云峰，包芳勋. 基于视觉感知的图像放大[J]. 计算机工程与应用, 2020, 56(9): 204-212.
[4]	王安，顾益军. 基于社区划分的节点重要性评估方法[J]. 计算机工程与应用, 2020, 56(8): 42-48.
[5]	王文慧，李鹏，胡韵迪. 基于目标预测的扩展目标量测集划分算法[J]. 计算机工程与应用, 2020, 56(8): 143-148.
[6]	康雁，李浩，梁文韬，宁浩宇，霍雯. 针对文本情感分类任务的textSE-ResNeXt集成模型[J]. 计算机工程与应用, 2020, 56(7): 205-209.
[7]	黄胜，李萌芳，张倩云. 基于背景帧的监控和会议视频帧间快速算法[J]. 计算机工程与应用, 2020, 56(22): 205-210.
[8]	安立奎，韩丽艳. 结合指令预取和缓存划分的多核缓存WCEC优化[J]. 计算机工程与应用, 2020, 56(1): 69-75.
[9]	闫苗苗，刘三阳. 多班级交互式教学优化算法[J]. 计算机工程与应用, 2019, 55(9): 10-16.
[10]	苏庆1，章静芳1，林正鑫1，李小妹1，蔡昭权2，曾永安1. 改进模糊划分聚类的协同过滤推荐算法[J]. 计算机工程与应用, 2019, 55(5): 118-123.
[11]	杨康，游晓明，刘升. 引入熵的自适应双种群蚁群算法[J]. 计算机工程与应用, 2019, 55(19): 66-73.
[12]	王凌阳，陈钦况，寿黎但，陈珂. 多源异构数据的实体匹配方法研究[J]. 计算机工程与应用, 2019, 55(19): 87-95.
[13]	钟毓灵，王习特，白梅，朱斌，李冠宇. FODU：不确定数据集中快速离群点检测方法[J]. 计算机工程与应用, 2019, 55(19): 105-114.
[14]	牛少章，欧毓毅，凌捷，顾国生. 利用区域划分的多密度快速聚类算法[J]. 计算机工程与应用, 2019, 55(18): 61-66.
[15]	曾敏，张俊，陈世祺，马硕，赵洋飞. ATSP：时态网络可视化的自适应时间片划分方法[J]. 计算机工程与应用, 2019, 55(16): 55-63.