频繁项目集

摘要： 为了从大型数据集中找到数据不同属性之间的关系,对糖尿病数据集通过FP-Growth算法及其变体提取关联规则,即CFP-Growth和ICFP-Growth。通过实验,三种算法FP-Growth、CFP-Growth和ICFP-Growth的准确率分别为51.30%,57%和60.5%。结果表明ICFP-Growth比CFP-Growth和FP-Growth更准确。

摘要： 为了探索天气与地铁客流量之间的关系,为地铁运营部门科学合理的调度、预案的制定提供帮助,对地铁大数据进行了关联规则挖掘,并对经典的关联规则算法Apriori进行了改进.改进算法提高了从海量数据中取得频繁项目集的效率,降低了对计算机资源的消耗,高效地挖掘出了天气因素对地铁客流影响的规律.

摘要： 带约束的关联规则挖据算法(ACARMT)在生成频繁项集时反复比较事务标识符,耗时较多。为进一步提高挖掘的效率,文章提出了一种项约束频繁项集挖掘算法(CFMABTB)。该算法首先根据约束条件C过滤原始数据库,再为每一个项目建立事务二进制,然后通过反复与运算计算各项目集的计数,进而挖掘出k项频繁集。最后在mushroom、chess数据集上,对CFMABTB、ACARMT算法进行了实验对比。结果表明,在数据规模和项目数量不是非常大时,CFMABTB算法的时间性能远优于ACARMT算法。

摘要： 针对频繁项目集挖掘结果直接发布可能会造成严重的个人隐私泄露,提出一种满足差分隐私的频繁项目集挖掘算法.为降低差分隐私的全局敏感度,根据候选项的覆盖分数和项集与事务距离两个指标,采用启发式截断算法进行事务截断,尽可能多地使截断后的事务保留原事务的频繁项信息.采用最大支持度估计策略生成候选项集,降低因事务截断和剪枝操作带来的误差.实验结果对比分析表明,提出算法满足差分隐私保护,挖掘的频繁项集具有较好的效用.

摘要： 在网络安全防御体系中,入侵检测系统会实时产生海量冗余、错误的网络安全告警信息,因此有必要对告警信息的关联规则和序列模式进行频繁项模式挖掘,分辨正常的行为模式,筛选出真正的攻击信息.相对于Apriori和FP-growth等算法,COFI-tree算法虽然具有较大的性能优势,但仍无法满足大规模网络安全信息快速分析的需求.为此,基于COFI-tree算法,提出了一种改进的网络安全告警信息关联分析算法.该算法通过基于倒序链表的头表节点寻址方式和基于新的SD结构的频繁项处理方法,提升了COFI-tree算法的性能.基于Kddcup99数据集的实验结果表明,与传统的Cofi算法相比,该方法在基本保证准确率的同时,能大量降低计算开销,使处理时间平均缩短21％以上,解决了在海量网络告警信息下进行关联分析时速率不高的问题.

摘要： 数据挖掘(DM)和联机分析处理(OLAP)是支持企业决策的有效办法.从关联规则挖掘的特点考虑,结合Apriori算法的不足之处,提出改进的频繁项目集RT_Apr算法.引入新的存储单元Tid_unit,大大减少了遍历数据库次数,有效地降低了算法的时间复杂度,构建OLAP与关联规则挖掘集成模型,并在此基础上设计并实现了关联规则挖掘系统,节约了挖掘时间和提高了系统效率.

摘要： 本文的选题源于国内外学者有关Apriori算法改进的重要理论及实证研究成果,针对Apriori改进算法中存在的运行时间长,占用内存大及时间复杂度高等问题,基于对国内外的研究成果和客观分析,设计出一种全新思维的双向搜索Apriori改进算法.最后通过与其中一种Apriori改进算法运行结果进行比较,双向搜索的Apriori改进算法运行速度约提高了8倍,占用内存节约了7MB,时间复杂度也相应减少.

摘要： The existing association rule mining algorithms or methods waste most of their time on the correlation set database scanning,the frequent scanning and the generating of redundant frequent itemsets candidates during their rule acquisition computation. The traditional methods can get more comprehensive mining results,but not all of the rules that came from the mining result are important. Traditional methods don’ t reflect the importance of association rules so as to have inefficiency for mining results,and they are not conducive to the gaining of main target results. Aimed at the mining of important goal,an improved Apriori algorithm based on linked list structure and heap sort is proposed. The algorithm scans the whole database to get the frequency of the appearance of each item set among the whole datasets and do the heap sort. Then,according to the established heap,all the k rank candidate sets are obtained and the relative support is calculated. The support degree of different project sets is compared with the minimum support degree. If the minimum support is met,the corresponding frequent item set should be added to the list,or it should be cut according to the shear or pruning strategy. By connecting operation,the candidate k+1 order item set can be obtained from the generated k order frequent item sets,so to generate the k+1 order fre-quent item sets. In this way,the generation of frequent itemsets can be greatly improved,and the mining results of important association rules can be provided,which can improve the speed of operation.%现有的关联规则数据挖掘算法或方法中，获取规则的计算时间很大一部分都耗费在关联项目集的扫描、数据库频繁扫描和生成冗余候选频繁项目集中。传统方法虽然得到的挖掘结果比较全面，但并不是所有挖掘结果中的规则都是重要的，以往的方法没有反映出重要的关联规则而使得挖掘结果的有效性不高，不利于得到需要的重要目标结果。针对重要目标的挖掘，提出一种基于堆排序及链表结构的改进Apriori算法。算法通过扫描数据库，统计得到各个项目集在所有事务集中出现的频率，并按照项目集的频率次数进行堆排序。然后根据建立的堆得到所有k阶候选项目集并计算其相对应的支持度，将不同项目集的支持度与预先设定的最小支持度进行比较，若满足最小支持度，就将对应的频繁项目集加入链表中，否则依据剪枝策略剪去这个对应项，将通过连接运算生成的候选k+1阶项目集采用同样的操作可以生成k+1阶频繁项目集。这样可以很大程度上优化算法的频繁项目集的生成过程并加速了重要关联规则的生成过程，从整体上提高了运算速度。

摘要： 发现频繁项目集是关联规则挖掘应用中的关键技术和步骤，目前已经提出的可用于发现频繁项目集的算法主要有两大类，一类是Apriori及其改进算法，另一类是基于FP-tree的诸多算法。本文分析了此两类算法的技术难点，提出了一种基于二进制位的数据库约简模式以及基于此约简模式的频繁项目集挖掘算法FIMA，并举例说明了算法FIMA的执行过程，实例和实验结果表明算法FIMA具有较好的性能。另外，本文的设计思想可以方便地应用到频繁项目集的增量式更新算法中去。

摘要： 本文提出了求解含有交易量频繁项目集的AFIS(Algorithm for Frequent Item Set)方法.最后介绍在关系数据库环境中AFIS的实现,并证实了在最小支持度较小时,AFIS求解效率明显优于Apriori算法.

摘要： 发现频繁项目集是多种数据挖掘应用中的关键问题.本文提出了一种快速挖掘频繁项目集的算法FDFI(fastdiscoveryfrequentitemsets).该算法采用深度优先搜索,通过排序和有效的剪枝策略,以及映射搜索数据表,大大缩小了搜索空间和数据扫描量,提高了算法的效率.

摘要： 本文对分布式数据库系统中频繁项目集的更新问题进行探讨,既考虑了数据库中事务增加的情况,又考虑了事务删除的情况.给出了分布式关联规则挖掘系统DAMINER的体系结构,提出了一种基于DAMINER的局部频繁项目集的更新算法ULF和全局频繁项目集的更新算法UGF.该算法具有通信代价小和时间开销少等优点.

摘要： 概念格通过内涵和外延及概念间泛化和例化的关系来表示知识,因而适用于从数据库中挖掘规则的问题描述.在概念格的内涵中引入等价关系所得到扩展概念格,则进一步丰富了内涵间的关系,将概念外延量化得到量化概念格.利用量化概念格挖掘关联规则,与采用Apriori算法计算频繁项目集获取关联则相比较,不需要计算频繁项目集,容易获得用户感兴趣的关联规则,同时减少了大量冗余的规则,提高了挖掘效率.

摘要： 本文作者在基于数据库系统研究中提出了一种新的加权关联规则增量更新算法,本算法通过理论分析其效率较高.

摘要： 本文作者在基于数据库系统研究中提出了一种新的加权关联规则增量更新算法,本算法通过理论分析其效率较高.

摘要： 本文作者在基于数据库系统研究中提出了一种新的加权关联规则增量更新算法,本算法通过理论分析其效率较高.

摘要： 本文作者在基于数据库系统研究中提出了一种新的加权关联规则增量更新算法,本算法通过理论分析其效率较高.

摘要： 提出了数据库中数据挖掘关联规则的关行算法，探讨了相关的数据结构，并对算法进行了定性分析。该算法不仅适用于布尔型属性，而且也适用于非布尔型属性。

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： 本发明公开了针对频繁二项集的获取方法、装置、终端设备及存储介质，通过针对数据集合的元素出现的次数持续进行检测计数，若所述元素的出现的次数的计数数值达到预设阈值，则将所述元素计入部分频繁一项集，其中，所述预设阈值为用户根据实际需求设定的最小支持度；根据所述部分频繁一项集针对所述数据集合形成的项对进行筛选；针对经过筛选得到的项对进行哈希运算；根据所述哈希运算的结果与所述预设阈值获取频繁二项集。如此，本发明提供的针对频繁二项集的获取方法，针对PCY‑Multistage算法进行改进，仅在项对符合部分频繁一项集的情况才进行哈希运算，从而在计算频繁二项集时能够减小设备内存消耗，提高用户的使用体验。

摘要： 本实用新型公开了一种集热泵防频繁启停装置，所述集热泵防频繁启停装置设于集热泵控制器的集热循环泵出口与集热循环泵之间的电路上，用于使集热循环泵在每次启动后延时停泵。另一方面，本实用新型还提供了一种太阳能集热器，其集热泵控制器的集热循环泵出口与集热循环泵之间的电路上设有上述的集热泵防频繁启停装置。本实用新型提供的集热泵防频繁启停装置及太阳能集热器，可以提高集热效率，同时避免炸管现象的发生；也可以加装于未设有该装置的太阳能集热系统，实用性强，安装方便并且经济性好。

摘要： 本发明公开了一种基于频繁项目集的图片标注推荐方法。首先通过构建频繁模式树，从频繁模式树中获取频繁项目集；然后计算重合度并构建稀疏自编码神经网络，通过其计算频繁项目集中图片和用户标注过的图片的相似度，进而对用户进行推荐；最后判断图片是否标记完成。本发明对进行处理和分组后的数据进行频繁项目集发掘，并增加了稀疏自编码神经网络进行特征提取，根据提取到的特征将需要进行标注的图片推送到有对应兴趣或专业知识背景的用户那里进行标注，从而解决了海量图片标注过程中效率、标注准确度差等问题，提升了图片标注的速度和准确度。

摘要： 本发明公开了一种基于频繁项目集的图片标注推荐方法。首先通过构建频繁模式树，从频繁模式树中获取频繁项目集；然后计算重合度并构建稀疏自编码神经网络，通过其计算频繁项目集中图片和用户标注过的图片的相似度，进而对用户进行推荐；最后判断图片是否标记完成。本发明对进行处理和分组后的数据进行频繁项目集发掘，并增加了稀疏自编码神经网络进行特征提取，根据提取到的特征将需要进行标注的图片推送到有对应兴趣或专业知识背景的用户那里进行标注，从而解决了海量图片标注过程中效率、标注准确度差等问题，提升了图片标注的速度和准确度。

摘要： 本发明公开一种海量交易数据中频繁项目集的挖掘方法，其包括：A）收集原始交易数据，并更新与原始交易数据对应的索引文件；B）查询是否存在未处理的原始交易数据；若存在，则执行步骤C）；若未存在，则返回步骤A）；C）对未处理的原始交易数据进行预处理，并将经过预处理的原始交易数据导入到分布式文件系统中；D）利用均衡的并行频繁项目集增长算法对导入到分布式文件系统中的经过预处理的原始交易数据进行计算，进而得到频繁项目集；E）将由步骤D）得到的频繁项目集导入到分布式文件系统中；F）更新与经过步骤C）至步骤E）处理的原始交易数据对应的索引文件。本发明还公开一种海量交易数据中频繁项目集的查询方法。