一种效用模式的数据流挖掘方法

摘要

随着数据化社会的逐步建立,数据库信息系统在各行各业中扮演的角色也愈发的重要。数据库信息系统在保存了大量的数据的同时,也隐藏了诸多不易发现的有价值信息。在保证准确性的前提下如何挖掘出这些信息就成为了重要的课题。因为静态数据库已经满足不了现实应用,数据流挖掘技术也就应运而生。与静态数据挖掘不同的是,数据流的连续性、无限性、高速性以及分布改变等特性对挖掘技术提出了更高的要求。同时,效用模式挖掘是一种在效用条件的前提下进行的数据挖掘。因此,在数据流中进行效用模式挖掘是一个非常有现实意义的课题。
　　本文延续了频繁项集挖掘,数据流挖掘和效用模式挖掘的研究。针对在数据流中进行效用模式挖掘的问题提出了MMIDS方法,该方法在数据流中寻找最大高效项集。本文设计了一种称为最大高效项集树的树形压缩结构,并使用该结构在界标窗口模型和滑动窗口模型进行了算法实现。接着,为了解决遍历最大高效项集树的效率问题,本文提出了一种自下而上的遍历策略来减少遍历节点的数量。最后一点,因为现实世界资源的有限特性,所以MMIDS方法使用了针对最大高效项集树的剪枝策略来适应数据流挖掘的资源有限条件。论文的最后是实验部分。为了评估MMIDS方法的性能,实验从运行时间,空间开销,扩展性和自下而上遍历策略的有效性等方面进行分析,并且与MHUI-TID方法和THUI-Mine方法进行比照。实验结果表明,MMIDS方法在运行时间,空间开销以及扩展性上都有了明显的改进。同时,MMIDS方法使用了有效的剪枝策略,这样在有限资源的条件下,该方法更能满足现实世界中数据流挖掘的需要。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究背景及意义

1.2 国内外研究现状与热点

1.3 论文主要研究内容

1.4 论文组织结构

第2章 效用模式数据流挖掘基础

2.1 数据挖掘的过程

2.2 频繁项集挖掘理论

2.3 数据流挖掘理论

2.4 数据流挖掘窗口掘模型

2.5 效用模式挖掘

2.6 本章小结

第3章 MMIDS方法

3.1 基本问题的定义

3.2 MMIDS方法

3.3 产生MaxHUIs

3.4 MUI-Tree的剪枝策略

3.4 本章小结

第4章 实验仿真与结果分析

4.1 实验环境

4.2 实验数据集

4.3 实验分析

4.4 BUT策略的效果

4.5 本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢