版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、當今的信息社會的中,人們每天都要處理各種各樣的信息和數據。隨著信息的爆炸式增長,許多應用中需要處理的數據規(guī)模也越來越大,這些數據以快速的、大量的、按時間順序連續(xù)到達,這種數據模式就是數據流。由于數據流的流動性和無限性的特點,原有頻繁項集挖掘算法已很難完成基于數據流上的挖掘任務。這些挑戰(zhàn)吸引了許多人對數據流中頻繁項集挖掘進行了大量研究?,F在,數據流中頻繁項集挖掘已成為數據挖掘中的熱點之一。
FP-stream算法可以實現在線
2、挖掘多時間粒度的頻繁項集。作為一個經典的挖掘算法,FP-stream算法具有較好的時間效率。但它的不足之處在于:算法使用FP-growth算法來生成頻繁項集和計算支持數,需要很大的內存開銷和時間開銷;整個挖掘過程中,所有的歷史信息數據都存于內存中,隨著時間的推移內存空間將急劇的膨脹。所以,內存開銷巨大是FP-stream算法最大的缺點。
針對上述問題,本文將在原算法的基礎之上,采用一種新的數據結構(LR-Trie樹及樹結點
3、)來存儲頻繁項集及其對應的傾斜時間窗口。同時引入了垂直的二進制向量表示法存儲事務數據以提高時空效率。由于構造了新的樹結點結構,可以方便地完成LR-Trie樹的線性存儲和結點查詢。另外將LR-Trie樹分割為若干子樹并以文件的形式存儲,在內存中建立項和文件的索引表,按需調入文件,極大地減少了內存消耗。實驗表明,改進后的算法在不明顯降低原算法時間效率的前提下,提高了內存空間利用率。該算法適用于對時間要求不高,但對內存空間要求較高的應用。
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于時間窗口的數據流頻繁項挖掘算法.pdf
- 基于矩陣的數據流滑動窗口頻繁項集挖掘算法研究.pdf
- 基于滑動窗口的數據流頻繁項集挖掘算法優(yōu)化研究.pdf
- 數據流上基于新窗口模式的頻繁項集挖掘算法研究.pdf
- 基于矩陣的頻繁項集挖掘算法研究.pdf
- 最大頻繁項集和頻繁基項集挖掘算法研究.pdf
- 滑動窗口中數據流頻繁項集挖掘算法研究.pdf
- 基于待與項集的頻繁項集挖掘算法的研究.pdf
- 頻繁閉項集挖掘算法研究.pdf
- 基于頻繁模式樹的最大頻繁項集挖掘算法研究.pdf
- 基于抽樣的云頻繁項集挖掘算法研究.pdf
- 基于格的快速頻繁項集挖掘算法
- 最大頻繁項集挖掘算法的研究.pdf
- 基于MapReduce框架的頻繁項集挖掘算法研究.pdf
- 基于垂直格式的頻繁項集挖掘算法研究.pdf
- 快速頻繁項集挖掘算法研究.pdf
- 基于FP-Tree的頻繁項集挖掘算法研究.pdf
- 基于頻繁項集的互補替代關系挖掘算法.pdf
- 基于ZBDD結構的頻繁閉合項集挖掘算法研究.pdf
- 基于數據流的頻繁項集挖掘算法研究.pdf
評論
0/150
提交評論