扩展WIT-树融合Diffset策略的频繁加权项集快速挖掘算法

针对当前算法从加权项事务数据库挖掘频繁加权项集(FWI)时效率不高的问题,提出了一种基于加权项集-Tidset树结构的FWI快速挖掘算法。首先,提出了一种加权项集-Tidset树结构;然后,使用最小加权项集阈值和向下闭合性质修剪非频繁节点;最后,利用Diffset策略允许以内存有效方式快速计算项集的加权支持度。实验结果表明,当输入数据库中FWI数较大时,提出的算法明显降低了FWI挖掘时间。相比基于先验的算法,算法平均可节省99.37%的耗时;相比基于位矩阵的加权频繁项集生成算法,提出的算法可节省99.06%的耗时,明显提升了频繁加权项集挖掘效率。

加权最大频繁项目集挖掘算法

关联规则是数据挖掘领域的一个重要分支,而发现最大频繁项目集是关联规则挖掘中的重要问题.最大频繁项目集挖掘是在数据库中各属性之间是平等的情况下进行的,但现实中并非如此.频繁模式树(Frequent Pattern Tree,FP-Tree)已不能满足要求.为此提出了一个有效的基于加权FP-Tree的加权最大频繁项目集挖掘算法,其挖掘过程中不需要产生候选项目集.并通过实例说明了此算法的挖掘过程.实验结果表明此算法是有效的并且有较好的扩展性.

一种基于最大加权频繁项目集的数据库相似性判别算法

在引入最大加权频繁项目集之后 ,给出一种新的数据库相似性度量模型 ,并提出基于最大加权频繁项目集的数据库相似性度量算法 该算法可有效地改进基于最大频繁项目集的数据库相似性度量方法 ,提高数据库相似性度量准确性 在实际应用中 ,改进模型为分布多库环境下数据挖掘的数据准备提供有效的框架 。

基于加权构造链表的频繁加权项集挖掘算法

针对当前加权频繁项集挖掘算法建树复杂、挖掘效率较低的问题,提出基于加权构造链表(WB-list)的加权频繁项集挖掘BFWI算法。构造高度压缩信息的加权构造树(WB-tree),由B-list扩展结构WB-list得到节点信息,以集合枚举树作为搜索空间,结合包含索引减少项集连接次数并利用超集等价性质加快加权频繁项集的产生,提高算法的效率。实验结果表明,BFWI算法在时间和空间效率性能上优于IWS和WIT-FWIs-Diff算法,无论是处理稀疏数据还是稠密数据均得到良好效果。

加权关联规则研究及其在个性化推荐系统中的应用

传统的关联规则挖掘没有考虑各项目的重要程度,因此实际过程中缺乏一定的针对性.在New-Apriori算法的加权支持度基础上结合Fp-growth算法思想,提出了基于Fp-树的加权关联规则算法,并给出了关联规则的个性化推荐的一般过程.利用Web日志文件采用网页被用户选择的频率作为权重值,实现了个性化推荐系统的算法.实验结果表明该算法具有较高的准确性和效率.

基于加权关联规则的个性化推荐研究

关联规则是个性化推荐系统中最重要的技术手段之一。传统的基于关联规则的个性化推荐认为,每个项目都具有相同的重要性,在实际应用中缺乏一定的针对性。在New-Apriori算法的加权支持度基础上结合Fp-growth算法思想,提出了基于Fp-树的加权关联规则算法。在实验中采用网页被用户选择的频率作为权重值,在个性化推荐系统中对该算法进行了实现。实验结果表明该算法具有较高的准确性和效率。