界标窗口数据流频繁模式挖掘特性

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (10): 131-134.

• 数据库、信号与信息处理 • 上一篇下一篇

界标窗口数据流频繁模式挖掘特性

张广路1，雷景生2

1.海南师范大学数学与统计学院，海口 571158
2.南京邮电大学计算机学院，南京 210046

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-04-01 发布日期:2011-04-01

Characteristics of data stream mining for frequent pattern based on landmark window

ZHANG Guanglu1，LEI Jingsheng2

1，College of Mathematics and Statistic，Hainan Normal University，Haikou 571158，China
2.College of Computer Science，Nanjing University of Post and Telecommunicatios，Nanjing 210046，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-04-01 Published:2011-04-01

摘要/Abstract

摘要： 随着数据流应用领域的不断扩大，数据流频繁模式挖掘技术逐渐成为数据挖掘领域研究的核心问题。对DSFPM算法进行研究和改进，提出了一种基于界标窗口的数据流频繁模式挖掘算法DSMFP_LW。该算法实现了单边扫描数据流；利用扩展的前缀模式树存储全局临界频繁模式，实现数据增量更新。通过对比实验，结果证明DSMFP_LW算法有较好的时间开销和空间利用率，优于经典的Lossy Counting算法，适合数据流频繁模式挖掘。

关键词: 频繁模式, 数据流, DSMFP_LW算法

Abstract: Data stream with the expanding applications，mining frequent pattern over data stream has gradually become the core issue in the field of data mining research.Based on the study and improvement of the DSFPM algorithm，a new single-pass algorithm，Data Stream Mining for Frequent Pattern Based on Landmark Window（DSMFP_LM），is proposed.DSMFP_LW has major features：Single streaming data scan for counting pattern’s information，extended prefix-tree-based compact pattern representation，and incremental update of data.The experimental results show that DSMFP_LW algorithm has better utilization of time and space efficiency，in addition，the well-known algorithm （Lossy Counting） is outperformed in the same streaming environment.

Key words: frequent pattern, data stream, DSMFP_LW algorithm

张广路1，雷景生2. 界标窗口数据流频繁模式挖掘特性[J]. 计算机工程与应用, 2011, 47(10): 131-134.

ZHANG Guanglu1，LEI Jingsheng2. Characteristics of data stream mining for frequent pattern based on landmark window[J]. Computer Engineering and Applications, 2011, 47(10): 131-134.

[1]	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.
[2]	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.
[3]	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.
[4]	胡阳，胡学钢，李培培. 基于Spark的快速短文本数据流分类方法[J]. 计算机工程与应用, 2020, 56(14): 138-147.
[5]	刘春，周燕，李鑫. 挖掘语义轨迹频繁模式及拼车应用研究[J]. 计算机工程与应用, 2019, 55(15): 96-103.
[6]	宋峣1，2，3，孙小涓1，2，3，胡玉新1，2，3，雷斌1，2，3，卢晓军4. 基于流式计算的遥感卫星数据快视处理方法[J]. 计算机工程与应用, 2019, 55(10): 77-82.
[7]	郑逢斌1，朱青1，2，臧文乾2. 一种XML驱动的遥感产品生产并发数据流模型[J]. 计算机工程与应用, 2018, 54(24): 266-270.
[8]	杨融泽，柳毅. 面向异常数据流的多分类器选择集成方法[J]. 计算机工程与应用, 2018, 54(2): 107-113.
[9]	魏子衿1，2，3，肖丽2，3. 改进顶点聚类方法的并行核外模型简化算法[J]. 计算机工程与应用, 2018, 54(13): 181-190.
[10]	孙俊，张曦煌. 基于节点集Top-k频繁模式挖掘算法[J]. 计算机工程与应用, 2017, 53(6): 101-105.
[11]	刘骁，刘辉平，金澈清. 面向不确定数据流的近似ER-Topk查询处理[J]. 计算机工程与应用, 2017, 53(4): 98-105.
[12]	韩崇1，袁颖珊2，梅焘2，耿慧玲2. 基于K-means的数据流离群点检测算法[J]. 计算机工程与应用, 2017, 53(3): 58-63.
[13]	杨小川，姜军，马晓东，漆锋滨. 基于GCC关键变量数据流分析算法的程序切片技术[J]. 计算机工程与应用, 2017, 53(24): 40-47.
[14]	史荧中1，2，曹建峰2，邓赵红1，蒋亦樟1. 面向数据流分类的柔性漂移支持向量机[J]. 计算机工程与应用, 2017, 53(23): 118-122.
[15]	曹博1，倪建成2，李淋淋1，于苹苹1，姚彬修1. 基于Spark的并行频繁模式挖掘算法[J]. 计算机工程与应用, 2016, 52(20): 86-91.

界标窗口数据流频繁模式挖掘特性

Characteristics of data stream mining for frequent pattern based on landmark window

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