频繁模式

摘要： 在这个大数据时代,无论是数据量还是数据种类都在以极快的速度增长,因此数据挖掘技术在各行各业(例如移动轨迹预测、广告投递、医疗诊断等方面)中都得到了广泛的运用。频繁序列挖掘是数据挖掘领域中的一个重要方向,但是在挖掘过程中和发布序列数据时很有可能会泄露一些用户的隐私信息,产生严重的安全隐患。Dwork等人提出的差分隐私模型可以为数据挖掘的隐私保护提供安全保证,与传统的隐私保护方法(基于k-匿名及其扩展分组模型)相比,该模型通过添加噪音对数据进行扰动,即使攻击者拥有最大的背景知识也能达到差分隐私保护的目的。文章设计了一种渐进式序列挖掘差分隐私保护算法,该算法通过改进的稀疏向量技术实现对挖掘过程添加拉普拉斯噪音,并对候选频繁序列的真实支持度以及阈值进行扰动。算法在理论角度被证明满足差分隐私,在真实数据集上的实验结果表明该算法具有较好的可用性。

摘要： 时间序列记录的是某一统计量按照时间推移而发生变化的数据,寻找合理的挖掘算法解决时间序列问题具有很强的现实意义。提出一种保序序列挖掘方法,通过子模式匹配结果挖掘(read the sub-pattern matching for mining,RSMM)算法,挖掘时间序列中频繁出现的趋势变化,在计算支持度时根据子模式的匹配结果得到超模式的支持度,在一遍扫描时间序列的情况下挖掘出所有的频繁保序模式。从理论上证明了RSMM是满足Apriori性质的完备性算法。在真实数据集上进行的实验表明,与其他对比算法相比,运行时间显著减少,从而验证了RSMM算法的高效性。

摘要： 风电爬坡事件的统计特性建模和精准预测有利于电网的安全稳定运行.文中首先通过参数分辨率自适应算法对大型历史风电数据库进行爬坡事件检测,得到风电爬坡事件的历史学习集.对该学习集进行数据挖掘,建立了单个爬坡事件的起点、终点、持续时间以及爬坡间隔的多属性联合统计特性模型,并得到爬坡事件的基本模式.通过关联规则算法建立了多个相邻爬坡事件之间的自相关性统计特性模型.在此基础上,提出了爬坡事件序列预测算法的基本概念和模型.算例结果表明,所提算法能够更为直观地描述爬坡事件的统计特性,且基于事件序列的预测算法能够较好地进行日前的爬坡预测.

摘要： 学习特征分析是智慧课堂研究的一个重要研究内容.文章利用知识点构建智慧课堂学习分析库,构造知识点频繁模式树,通过基于频繁模式树分析学生学习过程中对知识点学习的调用程度,从而建立学习轨迹,发掘知识点学习的潜在关联关系及频繁模式,分析学生学习的特点,提高智慧课堂教学的学习效率.

摘要： 剪枝策略(pruning mechanisms)是频繁模式挖掘算法常用方法之一,通过该策略可以快速克服工业生产中可能发生的金融危机,从而最大限度地提高制造业的生产能力.现有的剪枝策略算法仅考虑每个产品的利润信息,不考虑产品的权重,所以效率低下.提出了一种新的剪枝挖掘算法.通过基于低估值的约束和组件权重的挖掘索引器进行的有效剪枝挖掘,不但考虑了利润信息,而且考虑了权重信息.实验表明,该方法能节省大量的运行时间,大幅提高挖掘效率.

摘要： 针对传统数据关联挖掘过程只适用于单段数据集,导致内存负担重、挖掘频繁项集效率不高等问题,提出一种多段支持度数据频繁模式关联规则挖掘方法.运用多支持度算法对数据集逐步搜索,数据集按照数据项的MIS大小有序排列,采用最小值作为最小支持度,确保该算法的地推性.构建FP_ tree树,利用FP_tree算法对待选项实施剪枝,从而准确挖掘出频繁模式的关联规则.仿真结果证明,多段支持度数据频繁模式关联规则挖掘具有较好的性能,有效提高了关联规则的挖掘效率.

摘要： 为了提高图数据频繁模式的分析效果,提出基于解耦概要图的图数据频繁模式挖掘算法.构建闭频繁项特征分析模型,采用解耦概要图模式分析方法进行图数据频繁模式特征检测,根据图数据频繁模式数据的混合分类属性进行相似度分析,提取图数据频繁模式数据的数值属性特征和分类特征,结合自相关特征检测方法进行图数据频繁模式挖掘的统计分析,建立图数据频繁模式挖掘的模糊相关性融合模型,采用解耦概要图检测方法进行图数据频繁模式挖掘过程中的特征提取,建立图数据频繁模式挖掘的特征提取和分类模型,采用大数据融合方法进行图数据频繁模式挖掘的模式匹配和信息融合聚类,根据信息融合结果实现对图数据频繁模式挖掘优化.仿真结果表明,采用该方法进行图数据频繁模式挖掘的自适应性较好,数据挖掘的精度较高,提高了图数据频繁模式检测和特征分析能力.

摘要： FP-growth算法是关联规则挖掘中一种经典的算法,它不需要产生候选集,只需要扫描事务数据库两次来构建项目头表和FP-Tree.但该算法项节点查询比较耗时,而且要递归生成条件FP-tree,所以内存开销大.针对上述问题,文中提出了一种基于FP-growth的新的频繁模式挖掘算法MGFP-growth.其思想是:首先算法弃用项目头表,使用二维矩阵存储事务的信息,按照矩阵列进行分组,并建立parenttrace关系;最后利用存储在数组中的gourp信息可以快速的构建频繁模式树,从而进行频繁项集的挖掘.实验表明,该算法只对事务数据库扫描一次,同时利用分组将项存储,节省了内存空间,有效解决了传统算法的固有缺陷,提高了算法效率.

摘要： 知识图谱(Knowledge Graph,KG)中的关联实体发现任务旨在为用户输入的查询实体推荐一组最相关的实体集合.许多实体在KG中没有显式地链接,但隐式地关联在用户生成的数据中.因此,引入用户数据可得到更加丰富的实体关联信息,利用用户与实体的交互信息(记为用户−实体数据)可提高KG关联实体发现的准确性.基于用户−实体数据中挖掘到的频繁项,首先,构建实体关联规则(Entity Association Rule,EAR)对实体间的关联信息建模,并利用置信度评估实体间的关联强度;然后,基于分支限界法算法获得最优的实体关联规则,得到与查询实体最相关的关联实体集合.在两个真实世界数据集上的实验结果表明,相较于传统基于KG结构的方法,EAR发现top 1关联实体的准确率分别提高了10.7%、4.1%.

摘要： 随着全球定位系统、手持移动设备和射频识别等设备的普及,导致越来越多的应用跟踪并记录移动物体的轨迹,并以标记时间戳的位置点的方式表示形成了大量的时空数据.从中可以学习和发现频繁模式,这些模式标明移动物体经常活动的移动路线.频繁模式挖掘不同于用于交易数据中传统的频繁项挖掘,其难度在于:(1)移动对象位置的不确定性,即使同一移动物体相同时间段,也不会产生完全一致的时空数据;(2)移动对象位置数据的稀疏性,出于隐私或设备低采样率等原因,采集的数据会缺失现象.因此,本文首先采用栅格模型对地理信息进行编码,然后定义了频繁模式,挖掘出隐藏在数据中的移动对象行为知识.最后,将本文的成果应用于实际数据上得到了比较满意的结果.

摘要： 数据起源是关于数据来源、转换和更新过程的研究.基于频繁模式挖掘的性质和特点,提出了FP+树来记录频繁模式来源.给出了频繁模式溯源的相关理论和证明,根据不同追溯机制提出了三种频繁模式溯源方法,并对方法的正确性和执行代价给出了理论证明和推导.在进行频繁模式挖掘时,在不增加额外负担的情况下实现了频繁模式溯源.针对条件FP+树结构特点和频繁模式性质,提出了采用α-剪枝求解条件FP+树的投影操作,加快了频繁模式挖掘和数据溯源的执行效率.实验结果显示,采用基于FP+树的频繁模式溯源方法,可以高效地实现频繁模式溯源,并且条件FP+树的α-剪枝策略的有效性得到验证.

摘要： 随着各类无线移动设备(如智能手机、平板电脑、GPS导航仪等)的广泛普及,各种基于位置变化信息而提供相关服务的工具日渐受到研究者的关注.借助这类工具,用户可以对路况等一系列信息做出更加准确和有价值的判断和决策.为更好地满足用户的位置跟踪预测需求,借助于Java及Eclipse开发平台,设计实现了一种基于频繁模式的不确定性轨迹预测系统PathExplorer.考虑到移动对象历史轨迹存在的诸多不确定性,PathExplorer首先通过轨迹补全算法得到完整的路径序列,然后利用频繁模式挖掘和轨迹匹配计算移动对象最可能的运动路径.系统充分考虑了如何提高运行效率以及节省储存空间的需求,通过对比PathExplorer预测轨迹的效率与最短路径查询算法的效率,展示了系统的性能优势.

摘要： 如何高效准确地对数据流数据进行分类预测是数据流挖掘领域的研究热点之一。本文提出了一种基于全局频繁模式的数据流分类算法CBMP，将概要数据存储于一种新的最大频繁模式分类树CMFP-Tree中，并使用模糊的方法构建分类器，在线更新概要信息与分类器，实现了对数据流数据的即时分类预测。实验表明，CBMP 算法比CMAR 算法、CAPE 算法及 CBC-DS 算法拥有更高的预测精度与时间效率，特别是在概念漂移特征显著的情况下，该算法的预测精度明显高于其他算法。

摘要： 针对频繁模式挖掘过程中不能事先确定最小支持度阈值的问题,提出一种新的频繁模式挖掘算法来得到最佳支持度阈值.算法通过支持度阈值、频繁项次数以及频繁数的线性组合,生成了一个能对频繁模式挖掘效果做出评估的判决函数,它能直观且较为准确的反应频繁模式的挖掘效果.此判决函数先选取一个较小的阈值作为支持度的初始阈值,然后对支持度阈值按指数递增,分别计算不同支持度下的判决函数结果,当判决函数结果达到拐点时,再对支持度值进行线性递增,判决函数再次到达拐点时,则判定到达该次拐点之前的阈值为最佳支持度阈值.实验结果表明,新算法较Apriori算法具有更好地频繁模式挖掘效果.

摘要： 随着数据流应用领域的不断扩大，数据流频繁式挖掘技术逐渐成为数据挖掘领域研究的核心问题，对文[3]提出的算法进行研究和改进后，提出了一种基于界标窗口的数据流频繁模式挖掘的算法DSWFP_LW，算法实现单边扫描数据流；利用扩展的前级模式树存储全局临界频繁模式，实现数据增量更新；通过实验与算法Lossy Counling对比验证，算法DSWFP_LW有较好的时间开销和空间利用率，井优于经典的Lossy Counling算法，适合数据流频繁模式挖掘。

摘要： 本文介绍了数据流频繁模式的概念和定义,主要对频繁模式挖掘进行了界标窗口、滑动窗口和衰减窗口这三类数据流模型进行了深入研究，并加以总结,最后对衡量指标问题、相对误差衡量问题及自适应的预处理问题等进行了讨论。

摘要： 频繁模式的发现是数据挖掘中非常重要且很有意义的一项工作,然而通常情况下生成的频繁模式数量非常巨大,因此如何有效地表示挖掘到的频繁模式就变得尤其重要,提出一种新的频繁模式的约简表示方法,即利用支持向量回归(SVR)方法对频繁模式进行拟合,根据参数调节最后的压缩比和总误差,对于大数据量不便于SVR一次计算的情况,提出利用聚类方法将得到的频繁模式进行分区,然后利用SVR方法对各个区的频繁模式进行回归分析,两者比较的结果表明一次性的全局拟合的效果更好.通过实验验证表明了该方法的有效性.

摘要： 为保障网络安全，进行实时有效的网络流量监测是十分必要的。传统网络流量异常检测方法采用抽样、计数、聚类等方法，但还无法有效保证检测结果的准确性。本文提出了一种新的网络异常监测算法，该算法基于频繁模式挖掘的基本原理，利用垂直方法对网络流数据进行挖掘。基于所提出的算法，完成了原型系统，并基于大规模网络流量进行有效性验证。实验结果表明，系统能实时、准确地发现网络异常情况，以帮助网络管理员对网络实施更为有效的监测。

摘要： 中医方剂内药物配组的作用受方剂语境影响,药物搭配方式不同,功效则不同,药物配伍原理和机制尚不明确,是中医古方研究的重要内容.发现频繁药组,并对其进行功效标注可以多粒度、多维度、多方向,更深入地研究中药方剂药物配伍规律,对中医药学科研究具有重要意义,提出并形式化描述了该问题,讨论了相关性质,设计并实现了可直接进行多表关联分析的基于逆索引的2阶段频繁模式挖掘方法,讨论了算法特性。通过在真实古方数据集上较全面深入的实验研究,表明新算法可行、效果良好,合理及良好标注率可达71%左右,所有结果均对中医药物配伍及功效关系研究有参考价值.

摘要： 一种非瞬态计算机可读介质(107、127)存储有指令，所述指令能由至少一个电子处理器(101、113)读取并运行以执行可疑设备配置检测方法(200)。所述方法包括：从设备(120)的机群的设备日志数据(108)和/或系统配置文件(112)中提取设备配置事务(132)的机群配置事务数据库(130)，其中，每个配置事务包括一个或多个支持数据字段(134)、参数标识符(136)及其值(138)；构建配置异常检测器(140)以识别所述机群配置事务数据库中的异常配置事务；通过将所述配置异常检测器应用于从一个或多个感兴趣设备中提取的配置事务来检测一个或多个可疑配置事务(150)；并且当检测到所述一个或多个可疑配置事务时，生成警报(160)和报告(170)中的至少一项。

摘要： 本发明公开了一种基于频繁模式树的本地化差分隐私保护的频繁项集挖掘方法，是应用于一个不可信第三方数据聚合者A和n位用户构成场景中，其步骤包括：S1、初始化阶段；S2、数据剪枝阶段；S3、建树阶段；S4、数据挖掘阶段。本发明能在第三方数据聚合者A不持有任何用户隐私记录信息情况下，估计满足给定支持度阈值的所有频繁项集以及相应的支持度，从而保证第三方能够根据所得结果挖掘出有用的关联规则，为可能的决策提供支持。

摘要： 本发明公开了一种基于频繁模式树的车辆运动模式挖掘方法，包括如下步骤：(1)对待进行模式挖掘的车辆的载客运行轨迹进行轨迹分离得到若干个子运行轨迹；(2)基于欧式距离对所有子运行轨迹进行线段聚类得到若干个聚类；(3)计算任意两个聚类之间的欧式距离，并根据所述的欧式距离确定各个聚类之间的邻近关系；(4)根据各个聚类之间的邻近关系构建得到频繁模式树。本发明的运动模式识别方法无需对运行轨迹进行空间划分，也无需另外对轨迹线段进行编码，更加的简单，并且识别效果好。

摘要： 本发明公开了一种基于频繁模式树的本地化差分隐私保护的频繁项集挖掘方法，是应用于一个不可信第三方数据聚合者A和n位用户构成场景中，其步骤包括：S1、初始化阶段；S2、数据剪枝阶段；S3、建树阶段；S4、数据挖掘阶段。本发明能在第三方数据聚合者A不持有任何用户隐私记录信息情况下，估计满足给定支持度阈值的所有频繁项集以及相应的支持度，从而保证第三方能够根据所得结果挖掘出有用的关联规则，为可能的决策提供支持。

摘要： 本发明提供一种应用于购买模式下的高效用周期频繁模式挖掘的方法，包括如下步骤：S1，输入数据库和五个自定义阈值；S2，扫描数据库构建1项集x的HUPFPS‑list，并判断其是否为高效用周期频繁模式；S3，根据上界值对搜索空间进行修剪，将符合条件的HUPFPS‑list添加到集合中；S4，将修剪后的1项集相交合并成2项集，并判断2项集是否为HUPFPS；S5，递归循环n‑1项集的HUPFPS‑list生成n项集，直至不能扩展，则输出所有高效用周期频繁项集。本发明的技术方案克服现有技术中大多数关于周期模式的研究都是在单个序列中挖掘，并且没有考虑模式的内部效用和外部效用的问题。

摘要： 本发明公开了一种基于频繁模式树的车辆运动模式挖掘方法，包括如下步骤：(1)对待进行模式挖掘的车辆的载客运行轨迹进行轨迹分离得到若干个子运行轨迹；(2)基于欧式距离对所有子运行轨迹进行线段聚类得到若干个聚类；(3)计算任意两个聚类之间的欧式距离，并根据所述的欧式距离确定各个聚类之间的邻近关系；(4)根据各个聚类之间的邻近关系构建得到频繁模式树。本发明的运动模式识别方法无需对运行轨迹进行空间划分，也无需另外对轨迹线段进行编码，更加的简单，并且识别效果好。

摘要： 本发明公开了一种基于网格划分的轨迹频繁模式挖掘方法及系统，包括采用正方形网格划分方式对目标平面区域进行网格划分，得到多个正方形网格单元；基于最短垂线段距离的隶属度衡量方式，确定每个正方形网格单元的确定区域和不确定区域；根据每个正方形网格单元的确定区域和不确定区域，采用基于网格单元区域划分的轨迹序列转换算法，将每一条移动对象轨迹序列转换为一条或者多条正方形网格单元索引序列，进而确定每一条移动对象轨迹序列对应的正方形网格单元索引序列集合；基于网格划分的轨迹频繁模式挖掘算法对正方形网格单元索引序列集合进行处理，挖掘出具有相同模式的移动对象轨迹序列。本发明能够能够解决网格划分下轨迹转换问题。

摘要： 本发明提供了一种基于最大频繁模式非相似性的异常网络流量检测方法。包括：步骤1，利用模式增长法挖掘网络流量中的最大频繁模式，有效发现网络流量中属性的关联关系；步骤2，利用挖掘得到的具有强关联关系的网络流量的属性，构建基于最大频繁模式的非相似性指数，用于衡量各条网络流量的异常程度；步骤3，根据步骤2所构建的最大频繁模式的非相似性指数，计算每条网络流量的异常程度；步骤4，将网络流量按照异常度的降序顺序排列，得到异常网络流量检测报告。

摘要： 本发明涉及一种融合命名实体频繁模式特征的篇章级文本事件分类方法，属于信息处理技术领域。本发明旨在挖掘出长文档中的核心特征并发现其关键词，并通过这些特征来对篇章级文本事件进行分类。同时本发明提出了融合命名实体频繁模式特征的分类模型来解决篇章级文本事件分类问题。分类模型通过泛化实体语义信息以增强提取到的特征的鲁棒性，同时结合频繁项集挖掘算法和信息增益指数来挖掘篇章级文本的关键特征。最后，使用朴素贝叶斯分类法对篇章级文本事件进行分类。

摘要： 本发明提供了一种基于频繁模式挖掘的边缘缓存知识图谱划分方法，属于数据处理技术领域。本发明利用查询图中挖掘出的频繁查询模式，对初始知识图谱进行着色，通过改进交换算法将知识图谱划分成不同颜色区域，使划分后的知识图谱在满足最小切割边的同时符合边缘缓存大小。在用户下一次访问时，可以快速响应出周围所需服务场景的信息，实现接近最优的缓存性能。本发明将知识图谱合理部署到边缘服务器中，使得周围用户可以快速获取所需信息，大大减少了从云端获取数据的回程压力，为用户提供更好的交互体验。