频繁闭项集

摘要： 针对大规模决策形式背景中决策规则的提取问题,提出了一种将频繁闭项集与决策形式背景相结合以提取无冗余决策规则的新算法.该算法结合了深度优先搜索的思想以及概念格中概念节点之间的父子关系,改进了概念格中频繁闭项集的挖掘算法,得到的频繁决策概念格实现了对一定规模的数据库的压缩,同时得到无冗余决策规则.算法分析表明,该算法复杂度较低,更适用于大规模数据集中挖掘无冗余决策规则.

摘要： 目的 利用西安中医脑病医院住院病历针灸穴位处方数据,分析治疗小儿脑瘫穴位配伍规律.方法 从住院电子病历数据中提取诊断及针灸穴位处方信息,经过预处理之后,应用基于最小覆盖的频繁闭项集压缩方法进行分析,从中发现治疗小儿脑瘫的穴位配伍规律,并进一步分析穴位组合与证候诊断的相关性.结果 701个针灸穴位处方中包含77个穴位,通过88个频繁闭项集可以覆盖所有数据,从中进一步筛选出15个更具有代表性的项集,覆盖了85%的数据.结论 西安中医脑病医院治疗小儿脑瘫用穴相对固定,每个证型有对应的穴位基本方,在此基础上进行少量的加减,本研究方法可以应用于临床针灸处方数据的挖掘分析和名中医的经验传承.

摘要： 在数据流上挖掘频繁闭项集是数据挖掘中关联性挖掘的重要研究课题之一.该文提出了一种高效的数据流频繁闭项挖掘算法-CFMoment,通过使用滑动窗口不断维护数据流中的频繁闭项集,可适用于实时性要求较高的多种数据流处理应用环境.该算法利用项目的有效比特序列表示来减少滑动窗口所需的时间和内存,进一步提升了在数据流中挖掘频繁闭项集的效率并有效降低了运行过程中的内存需求.实验表明,该算法不仅获得了高精度的挖掘结果,而且其运算速度明显快于现有的Moment算法,在数据流上挖掘频繁闭项集的内存消耗更少.

摘要： 针对当前数据挖掘方法没有考虑客观条件制约以及个人不同需求的问题,在不确定数据的频繁闭项集挖掘算法中加入简洁性约束条件,基于正态分布模型分别研究了在简洁反单调约束和简洁非反单调约束下,对不确定数据库进行频繁闭项集挖掘的方法,并给出了实例证明挖掘算法的可行性.

摘要： 关联规则是数据挖掘的重要方法之一,它主要用来揭示数据库中项或属性之间的相关性.频繁项集是产生关联的基础和核心.频繁闭项集项集数量远远小于频繁项集,而且包含了频繁项集的全部信息.为了有效压缩事务数据库信息,论文提出了前缀路径图结构,该结构可以存储挖掘所需的全部项集信息,减少扫描数据库次数.并且提出了一种基于前缀路径图的频繁闭项集挖掘算法PGraph-FCIMiner.论文的实验均采用Java语言编写,实验结果证明算法具有较好的执行效率和可扩展性.%Association rules is one of the important methods of data mining,it is mainly used to reveal the correlation between items or attributes in the database. Frequent itemsets is the basis and core of the generation of the association. The number of fre-quent closed itemsets is much smaller than the frequent itemsets,and it contains all the information of frequent itemsets. A novel structure termed PrefixpathGraph is defined to store the transaction database compactly,which can store all the item set information and reduce the number of scanning database. In this paper,a PrefixpathGraph-based algorithm is proposed called PGraph-FCIMin-er. The experiments in this paper are written in Java language,and the experimental results show that the algorithm has a good per-formance and scalability.

摘要： 针对海量数据的关联规则挖掘问题,提出了一种有效的基于等价类划分的并行频繁闭项集挖掘算法.该算法在MapReduce框架下,通过等价类的产生与划分、数据集的分配、异步频繁闭项集挖掘和汇总等步骤,不但较好地解决了多节点间的负载均衡问题,而且易于获得可靠的频繁闭项集.实验表明,该算法能有效克服传统算法挖掘效率低、冗余规则较多的缺点,整体上具有较高的性能.

摘要： 针对数据流频繁闭项集挖掘算法Moment存在的缺点和不足,提出一种改进算法——TP-Moment.该算法利用Topology模型处理整个挖掘过程,将滑动窗口分为若干个基础窗口,用基础窗口更新取代增量式更新.通过并行化的挖掘每个基础窗口中的临界频繁闭项集合,存储到一种可动态更新的树结构GCFI-tree中,快速挖掘滑动窗口中所有全局频繁闭项集并存储.实验证明,改进算法在保证挖掘结果的同时,有效地降低了挖掘时间和内存空间.

摘要： Ensemble learning is an active research in the machine learning field. Ensemble pruning can improve the generalization ability and reduce the cost forecast by selecting the base classifier. Pattern mining is a new mining method which can transform the problem into pattern in the database transaction. In this paper we take full advantage of pattern mining used vertical data structure and closed pattern to propose a forecasting better performance, more efficient selective ensemble classification algorithm.%集成学习是现今机器学习领域研究的热点问题，选择性集成通过对基分类器进行选择来提高集成分类器的泛化能力，降低预测开销。模式挖掘是一种将问题转化为事务数据库中模式的全新挖掘策略。本文将垂直数据格式频繁闭项集的模式挖掘方法应用于分类器的选择过程，利用垂直数据结构、频繁闭项集及模式挖掘方法的优势，提出一种预测性能更好、更加高效的选择性集成分类算法。

摘要： With the development of information and storage technology,uncertain data appear in many areas, which becomes key issues in the field of data mining. Frequent closed itemsets provide the smallest representation of lossless frequent itemsets. Based on DCI Closed algorithm,using the method of sampling,we proposed an algorithm for mining closed itemsets on uncertain data named U DCI Closed algorithm. Experimental results show that U DCI Closed algorithm can efficiently mining frequent closed itemsets in uncertain data. The algorithm in this paper not only solves the problem of the frequent itemsets will be huge and redundancy in large dateset. The paper proposes a method to solve the problem of mining frequent closed itemsets in large data set.%随着信息技术和存储技术的不断发展，不确定性数据出现在诸多的领域中，成为目前数据挖掘领域中的重点问题。对于大型数据集，频繁闭项集是频繁项集最优的表现方式。本文基于 DCI Closed 算法，在算法中加入抽样的方法提出 U DCI Closed算法一种基于不确定性数据的频繁闭项集挖掘算法。通过实验可以表明 U DCI Closed 算法能够高效的挖掘出不确定性数据中的频繁闭项集。本文中的算法提出了一种解决在大规模数据集下挖掘出的频繁闭项集的思路。

摘要： 许多新的应用中出现了不确定数据, 比如使用无线传感器网络进行监听和对移动对象进行搜寻等. 对这些不确定数据进行挖掘是一项重要工作, 尤其是在不确定数据中挖掘概率频繁项集. 但是, 概率频繁项集的数量非常大, 用户很难直接使用. 为了解决这一问题, 提出了不确定数据中的概率频繁闭项集挖掘方法.

摘要： 频繁项集挖掘是数据流挖掘中的一个热点问题．提出了一种新的数据流频繁闭项集挖掘算法MFCI-SW．首先设计了两个新的数据结构：频繁闭项集表FCIL和频繁闭合模式树MFCI—SW—Tree，在此基础上以滑动窗口中的基本窗口为更新单位，在每个基本窗口中提取出频繁闭项集的数据项，将其支持度F和窗口序列号K存到FCIL中;然后随着新基本窗口的到来，通过删除频繁闭项集表中K值最小的数据项和插入新数据项完成对FCIL的更新和MFCI—SW—Tree树的裁剪;最后在MFCI—SW—Ttee中可以迅速挖掘出满足用户需要的频繁闭项集．实验结果证明了该算法在执行效率上明显优于DS-CFI算法．

摘要： 数据流频繁闭合模式挖掘是数据挖掘中的一大挑战.目前,在这方面的研究很少.提出了一种新的在滑动窗模型下发现频繁闭项集的算法--FCISW(frequent closed itemsets mining in sliding window).首先,FCISW算法在ST(suffix tree)结构中应用自底向上的遍历方式单遍有效地挖掘所有频繁闭项集,并将挖掘结果保存到一种新的bit_vector表结构中.当新的挖掘结果要存入bit_vector表时,它先与表中已存入的频繁闭项集进行位向量或操作,如果条件全部满足,再存入这个挖掘结果.这样可以大大提高频繁闭项集替换和重复比较的速度.最后,FCISW算法可以在滑动窗中快速有效地进行增量更新.实验证明,FCISW算法在内存应用和运行时间上都存在一定的优势.

摘要： CLOSET算法是一种挖掘频繁闭项集的有效算法.本文分析了CLOSET算法在闭合性检查以及剪枝效率方面的一些不足,并针对这些问题,引入共生项集的概念,利用共生项集的一些性质,提出了一种基于共生项集的改进算法.

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： 本发明适用信息技术领域，提供了一种大规模数据集的频繁项集挖掘方法、装置、设备及介质，该方法包括：估算样本容量，从大规模数据集中采集样本容量大小的样本数据集，挖掘样本数据集中的闭频繁项集并计算大规模数据集对应的最大长度约束，以生成大规模数据集对应的缩减数据集，通过缩减数据集构建大规模数据集的噪声FP‑Tree，将隐私预算平均分配给噪声FP‑Tree的每一层，通过噪声FP‑Tree和噪音阈值选出候选集合，通过几何机制噪音增加候选集合的隐私保护，再从候选集合中选出预预设数量个频繁项集，从而减小了大规模数据集频繁项集挖掘的计算强度，保证了数据挖掘的隐私性，同时降低了全局敏感度、提高了数据和挖掘结果的可用性。

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： 本发明公开了一种数据集频繁项集挖掘可用性评估方法，所述方法包括步骤：(1)设C＝{I1,I2,…,In}是项的集合，给定事务数据集D1和D2，其中每个事务T是一个非空项集,使得对D1、D2利用Apriori算法挖掘得到最大频繁项集集合,记为FIS1、FIS2；(2)将FIS1任一项集MIS1与FIS2的任一项集MIS2通过项集匹配算法F进行匹配，得到配对项集表Pairs,Pairs由项集对组成，score1表示MIS1、MIS2的项目相似度，在匹配过程中计算得到。(3)对Pairs中的每一项，计算MIS1,MIS2的支持度相似度score2，进一步计算得到MIS1,MIS2的复合相似度score，更新pair为；(4)将Pairs中的每一项的复合相似度score累加，并除以Pairs中项的个数，得到D1和D2的相似度分数SCORE，且该分数的取值范围为[0,1]。

摘要： 本发明公开了一种基于Hadoop的频繁闭项集挖掘方法，包括如下步骤：并行计数：并行地扫描一次数据库，统计数据库中每个数据项的频繁次数；构造全局F-List和G-List：并行挖掘局部频繁闭项集：再次扫描数据库，在各个节点采用第一算法挖掘局部频繁闭项集，并只保存全局频繁闭项集。本发明方法基于Group分配计算任务，使得计算量的分配更加均衡；同时，该方法更加简洁，只要三个步骤(两次Map-Reduce过程)就可以完成挖掘任务。

摘要： 发明公开了一种基于邻接比特压缩表的频繁闭项集挖掘算法，定义使原始事务集高度压缩的，用于频繁闭项集挖掘的数据结构——邻接比特压缩表，通过该数据结构一方面将每个项或项集所包含的交易集压缩为比特数组，并通过邻接比特的位置标识去剔除传统比特表中的0比特，使交易集高度压缩；另一方面，建立项索引表，之后将项索引压缩到邻接比特压缩表中，当原始数据集中项的维度较高，或项标识较长时，压缩效果明显；其次，通过采用运算栈与检索栈的非递归运算方法，可以降低运算过程与闭合检索的空间占用；最后，通过邻接比特压缩表之间的与运算以及或运算代替项集求交或并运算，同时采用项集预处理、回溯校验的剪枝策略，来加快整体运算过程。

摘要： 本发明涉及一种基于不确定数据的约束频繁闭项集挖掘算法，其技术特点包括：选取数据库；根据简洁反单调约束条件对数据库进行处理得到简洁反单调约束条件下的必选数据库，根据简洁非反单调约束条件对数据库进行处理得到简洁非反单调约束条件下的必选数据库和可选数据库；使用频繁概率方法，对简洁反单调约束条件下的必选数据库进行频繁闭项集挖掘，对简洁非反单调约束条件下的必选数据库和可选数据库进行频繁项集挖掘；在简洁非反单调约束条件下，对频繁项集挖掘的频繁项集进行剔除或结合。本发明设计合理，在商品数据库中，能满足决策者对数据挖掘所提出的不同要求，并按照其要求进行数据的信息提取工作，提高了挖掘效率，满足了不同用户需求。

摘要： 本发明公开了一种基于Topology模型的数据流频繁闭项集的挖掘方法，该方法通过单遍扫描输入数据流并基于基础窗口的概念进行划分，对若干基础窗口组成一个滑动窗口处理单元，数据流更新和删除以基础窗口为单位；对当前滑动窗口利用Topology分布式并行模型处理基础窗口，每个基础窗口利用CET树结构挖掘临界结果并合并插入GCFI‑tree树中，挖掘出整个滑动窗口的全局频繁闭项集合并存储至Result‑List表。转而进入下一次滑动窗口的迭代过程。实验证明，本文的方法能够保证挖掘结果准确性的同时，大大提高挖掘速度和存储空间，效果显著，具有较强的实用价值。

摘要： 本发明公开了一种基于保序特征和前序编码树的频繁闭项集挖掘方法，用于解决现有频繁闭项集挖掘方法中候选项集生成效率低的技术问题。技术方案是采用基于前序编码树结构的方法产生候选项集，使得生成的过程更简单清晰，对于数据的储存也更为方便；在候选目标过滤阶段，利用前序编码树的特性与保序特征同时对候选项集进行频繁性与闭合性的判断，在判断过程中，对于不满足频繁性的候选项集无需进行闭合性的判断，方法简单，提高了对频繁闭项集的挖掘效率。

摘要： 本发明公开了一种基于Hadoop的频繁闭项集挖掘方法，包括如下步骤：并行计数：并行地扫描一次数据库，统计数据库中每个数据项的频繁次数；构造全局F-List和G-List：并行挖掘局部频繁闭项集：再次扫描数据库，在各个节点采用第一算法挖掘局部频繁闭项集，并只保存全局频繁闭项集。本发明方法基于Group分配计算任务，使得计算量的分配更加均衡；同时，该方法更加简洁，只要三个步骤(两次Map-Reduce过程)就可以完成挖掘任务。