数据流中基于矩阵的频繁项集挖掘

计算机科学与探索 ›› 2008, Vol. 2 ›› Issue (3): 330-336.

• 学术研究 • 上一篇

数据流中基于矩阵的频繁项集挖掘

王磊+,黄志球,朱小栋,沈国华,程亮

南京航空航天大学信息科学与技术学院，南京 210016

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-06-20 发布日期:2008-06-20
通讯作者: 王磊

Mining frequent itemsets over data stream by matrix

WANG Lei+, HUANG Zhiqiu, ZHU Xiaodong, SHEN Guohua, CHENG Liang

College of Information Science and Technology， Nanjing University of Aeronautics and Astronautics， Nanjing 210016， China

Received:1900-01-01 Revised:1900-01-01 Online:2008-06-20 Published:2008-06-20
Contact: WANG Lei

摘要/Abstract

摘要： 挖掘频繁项集是挖掘数据流的基本任务。许多近似算法能够有效地对数据流进行频繁项挖掘，但不能有效地控制内存资源消耗和挖掘运行时间。为了提高数据流频繁项集挖掘的时空效率，通过引入矩阵作为概要数据结构，提出了一种新的数据流频繁项集挖掘算法。最后通过实验证明了该算法的有效性。

关键词: 数据流, 数据挖掘, 频繁模式, 矩阵

Abstract: Mining frequent itemsets is a basic task of the data stream mining. Recently many approximate algorithms can mine frequent itemsets over data stream. However， these algorithms still can not efficiently reduce space and time cost. To improve the efficiency of mining frequent itemsets over data stream， matrix is imported as the synopsis data structure and a new algorithm of mining frequent itemsets is presented. Finally， experiments prove the efficiency of this algorithm.

Key words: data stream, data mining, frequent itemsets, matrix

王磊+,黄志球,朱小栋,沈国华,程亮. 数据流中基于矩阵的频繁项集挖掘[J]. 计算机科学与探索, 2008, 2(3): 330-336.

WANG Lei+, HUANG Zhiqiu, ZHU Xiaodong, SHEN Guohua, CHENG Liang. Mining frequent itemsets over data stream by matrix[J]. Journal of Frontiers of Computer Science and Technology, 2008, 2(3): 330-336.

[1]	闫心怡, 温馨, 陈泽华. 分辨矩阵在逻辑优化中的应用[J]. 计算机科学与探索, 2021, 15(7): 1332-1338.
[2]	范瑞东, 侯臣平. 鲁棒自加权的多视图子空间聚类[J]. 计算机科学与探索, 2021, 15(6): 1062-1073.
[3]	杨茸, 牛保宁. 空间文本数据流上连续查询评估技术综述[J]. 计算机科学与探索, 2021, 15(4): 631-640.
[4]	孙冬璞, 曲丽. 时间序列特征表示与相似性度量研究综述[J]. 计算机科学与探索, 2021, 15(2): 195-205.
[5]	王光耀, 王丽珍, 杨培忠, 陈红梅. 极小负co-location模式及有效的挖掘算法[J]. 计算机科学与探索, 2021, 15(2): 366-378.
[6]	李会荣, 张林, 赵鹏军, 李超. 带有局部坐标约束的半监督概念分解算法[J]. 计算机科学与探索, 2021, 15(2): 379-388.
[7]	薛红艳, 钱雪忠, 周世兵. 超簇加权的集成聚类算法[J]. 计算机科学与探索, 2021, 15(12): 2362-2373.
[8]	姚晓红, 黄恒君. 非负半监督函数型聚类方法[J]. 计算机科学与探索, 2021, 15(12): 2438-2448.
[9]	武炜杰, 张景祥. 有新类的动态数据流分类算法研究[J]. 计算机科学与探索, 2021, 15(1): 132-140.
[10]	韩明明，孙广路，朱素霞. 自适应概念漂移问题的增量集成分类算法[J]. 计算机科学与探索, 2020, 14(7): 1200-1210.
[11]	曹佳伟，钱鹏江. 流形学习与成对约束联合正则化非负矩阵分解[J]. 计算机科学与探索, 2020, 14(7): 1211-1220.
[12]	史加荣，陈姣姣. 鲁棒概率矩阵三分解[J]. 计算机科学与探索, 2020, 14(7): 1251-1260.
[13]	赵传，张凯涵，梁吉业. 非对称的异质信息网络推荐算法[J]. 计算机科学与探索, 2020, 14(6): 939-946.
[14]	刘运鑫，江爱文，叶继华，王明文. 改进型任意风格快速迁移元网络算法[J]. 计算机科学与探索, 2020, 14(5): 861-869.
[15]	刘国庆，卢桂馥，周胜，宣东东，曹阿龙. 非负低秩图嵌入算法[J]. 计算机科学与探索, 2020, 14(3): 502-512.

数据流中基于矩阵的频繁项集挖掘

Mining frequent itemsets over data stream by matrix

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics