基于粒度计算的数据流最大频繁项集更新方法

摘要

为提高对数据流内信息挖掘的程度,本文提出一种基于粒度计算的数据流最大频繁项集更新方法.根据数据流存在的不确定性特点,以属性的取值建立对象粒,将对数据流最大频繁项集的挖掘转化为相同属性对象粒的计算,将过程计算分为两部分,即实时数据流信息挖掘和数据流信息分析,引入对象粒计算方法对实时挖掘结果进一步分析,得出最大频繁项集,对其进行更新.实验结果表明,在实验条件下,在相对稀疏和稠密的数据流环境中,所提方法运行时间相对于对比方法至多可提升30％,最少所占内存可低至对比方法的50％,且相同条件下,随最小支持度阈值变化,运行时间减小幅度均明显少于对比方法,表明实验方法具有一定参考价值.