MỘT THUẬT TOÁN HIỆU QUẢ KHAI THÁC MẪU ĐÓNG TRÊN CSDL ĐỊNH LƯỢNG ĐỘNG
Nội dung chính của bài viết
Tóm tắt
Trong những năm gần đây, bài toán khai thác các mẫu hữu ích có trọng số phổ biến (FWUP), một biến thể của các mẫu phổ biến, đã thu hút được sự quan tâm nghiên cứu. Một số thuật toán đã được đề xuất để giải quyết vấn đề này bằng cách sử dụng cơ sở dữ liệu định lượng với trọng số của các mục hàng cố định trong toàn bộ Cơ sở dữ liệu (CSDL). Tuy nhiên, trong thực tế, nhiều yếu tố ảnh hưởng đến trọng số của các mục hàng, và chúng có thể thay đổi theo thời gian để phản ánh các điều kiện thực tế. Hơn nữa, việc khai thác FWUP truyền thống thường tốn nhiều tài nguyên do số lượng FWUP được tạo ra phụ thuộc nhiều vào ngưỡng khai thác. Trong bài báo này, chúng tôi giới thiệu bài toán khai thác các mẫu đóng hữu ích có trọng số phổ biến (FWUCP), đây là một dạng cô đọng mà từ đó có thể suy ra tất cả các FWUP, từ các cơ sở dữ liệu định lượng động – CSDL mà trọng số của các mục hàng có thể điều chỉnh được. Thuật toán đề xuất nFWUCP sử dụng cấu trúc WUNList, một phần mở rộng của cấu trúc N-list, để khai thác hiệu quả các FWUCP. Các kết quả thực nghiệm cho thấy phương pháp đề xuất hiệu quả hơn về thời gian thực thi so với thuật toán tốt nhất hiện tại.
Từ khóa
khai thác mẫu phổ biến, mẫu phổ biến đóng, CSDL định lượng, mẫu phổ biến trọng số hữu ích
Chi tiết bài viết
Tài liệu tham khảo
J. Han, J. Pei and Y. Yin, "Mining frequent patterns without candidate generation," in The 2000 ACM SIGMOD International Conference on Management of Data, 2000.
M. J. Zaki, "Scalable algorithms for association mining," IEEE Transactions on Knowledge and Data Engineering, vol. 12, no. 3, pp. 372-390, 2000.
Z. Deng, Z. Wang and J. Jiang, "A new algorithm for fast mining frequent itemsets using N- lists," Science China Information Sciences, vol. 55, no. 9, pp. 2008-2030, Jul. 2012.
B. Vo, T. Le, F. Coenen and T. Hong, "Mining frequent itemsets using the N-list and subsume concepts," International Journal of Machine Learning and Cybernetics, vol.
7, no. 2, pp. 253-265, Apr. 2016
N. Pasquier, Y. Bastide, R. Taouil and L. Lakhal, "Discovering frequent closed itemsets for association rules," in Database Theory - ICDT'99, Jerusalem, Israel, 1999.
M. J. Zaki and C.-J. Hsiao, "CHARM: An efficient algorithm for closed association rule mining," Technical Report 99, 1999.
C. Lucchese, S. Orlando and R. Perego, "Fast and memory efficient mining of frequent closed itemsets," IEEE Transactions on Knowledge and Data Engineering, vol. 18, no. 1, pp. 21-36, 2006.
T. Le and B. Vo, "An N-list-based algorithm for mining frequent closed patterns," Expert Systems with Applications, vol. 42, no. 19, pp. 6648-6657, Nov. 2015.
N. Aryabarzan and B. Minaei-Bidgoli, "Neclatclosed: A vertical algorithm for mining frequent closed itemsets," Expert Systems with Applications, p. 174: 114738, 2021.
M. S. Khan, M. Muyeba and F. Coenen, "A weighted utility framework for mining association rules," in Computer Modeling and Simulation, 2008., 2008.
H. Nguyen, B. Vo, M. T. H. Nguyen and T. Hong, "MBiS: an efficient method for mining frequent weighted utility itemsets from quantitative databases," Journal of Computer
Science and Cybernetics, vol. 31, 2015.
H. Bui, B. Vo and H. Nguyen, "WUN-Miner: A new method for mining frequent weighted utility itemsets," in The 2016 IEEE Conference on System, Man, and Cybernetics (SMC 2016), Budapest, 2016.
H. Nguyen, N. Le, H. Bui and T. Le, "A new approach for efficiently mining frequent weighted utility patterns," Applied Intelligence, pp. 53(1), 121-140, 2023.
H. Nguyen, N. Le, H. Bui and T. Le, "Mining frequent weighted utility patterns with dynamic weighted items from quantitative databases," Applied Intelligence, pp. 53(16), 19629-19646, 2023.
B. Vo, B. Le and J. J. Jung, "A tree-based approach for mining frequent weighted utility itemsets," in Computational Collective Intelligence. Technologies and Applications. Springer, 2012, pp. 114-123.
H. Nguyen, T. Le, M. Nguyen, P. Fournier-Viger, V. S. Tseng and B. Vo, "Mining frequent weighted utility itemsets in hierarchical quantitative databases," Knowledge-Based Systems, vol. 237, p. 107709, 2022.
J. Pei, J. Han and R. Mao, "CLOSET: An efficient algorithm for mining frequent closet itemsets," in 2000 ACM SIGMOD Workshop on Research Issues in Data Mining and Knowledge Discovery, Dallas, Texas, USA, May. 2000.
J. Wang, J. Han and J. Pei, "CLOSET+ : Searching for best strategies for mining frequent closed itemsets," in Proceedings of the Ninth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Washington, DC, USA, August. 2003