基于邻接矩阵的FP-tree构造算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (7): 153-155.

• 数据库、信号与信息处理 • 上一篇下一篇

基于邻接矩阵的FP-tree构造算法

刘应东1，冷明伟2，陈晓云3

1.兰州交通大学交通运输学院，兰州 730070
2.上饶师范学院数学与计算机系，江西上饶 334000
3.兰州大学信息科学与工程学院，兰州 730000

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-03-01 发布日期:2011-03-01

Construction algorithm of FP-tree based on adjacency matrix

LIU Yingdong1，LENG Mingwei2，CHEN Xiaoyun3

1.School of Traffic and Transportation，Lanzhou Jiaotong University，Lanzhou 730070，China
2.Department of Mathematics and Computer，Shangrao Normal University，Shangrao，Jiangxi 334000，China
3.School of Information Science and Engineering，Lanzhou University，Lanzhou 730000，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-03-01 Published:2011-03-01

摘要/Abstract

摘要： 提出了一种基于邻接矩阵的FP-tree构造方法。首先通过扫描数据库建立2-项集支持数的邻接矩阵，通过邻接矩阵对项进行过滤和新方式排序，然后再利用邻接矩阵构造FP-tree，使得FP-tree的分支、节点数和深度大幅度地减少，从而使存储空间减少、遍历时间缩短。最后使用标准数据集进行验证测试并和其他算法的比较，实验结果表明，该算法在保证结果的同时有效地提高频繁项集挖掘的效率。

关键词: 数据挖掘, 频繁项集, FP-tree算法, 邻接矩阵

Abstract: A construction algorithm of FP-tree based on adjacency matrix is proposed.An adjacency matrix about support count of 2-frequent item sets is constructed by scanning database.Using the adjacency matrix，FP-tree is established after item sets are filtered and restructured.For the numbers of branches，nodes and depths are reduced greatly，the storage space is far less and ergodic time is shorter much.The construction algorithm is tested and verified using standard datasets.The result shows the new construction strategy can improve efficiency of frequent item mining and ensure validity of the results compared with others algorithms.

Key words: data mining, frequent itemsets, FP-tree algorithm, adjacency matrix

刘应东1，冷明伟2，陈晓云3. 基于邻接矩阵的FP-tree构造算法[J]. 计算机工程与应用, 2011, 47(7): 153-155.

LIU Yingdong1，LENG Mingwei2，CHEN Xiaoyun3. Construction algorithm of FP-tree based on adjacency matrix[J]. Computer Engineering and Applications, 2011, 47(7): 153-155.

[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]	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.
[6]	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.
[7]	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.
[8]	李建，习文风. 钻井液设计专家系统规则库的检测算法[J]. 计算机工程与应用, 2020, 56(4): 256-261.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[14]	孟海东1，2，孙新军2，宋宇辰1. 基于数据场的改进LOF算法[J]. 计算机工程与应用, 2019, 55(3): 154-158.
[15]	雷乐，王丽珍，肖清. 空间co-location模式挖掘中的模糊技术初探[J]. 计算机工程与应用, 2019, 55(21): 158-166.

基于邻接矩阵的FP-tree构造算法

Construction algorithm of FP-tree based on adjacency matrix

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