个性化推荐系统中的一种基于FP—growth的改进算法

对基于关联规则的FP—growth算法进行了深入研究，针对其应用在推荐系统会产生重复推荐的问题，对算法进行了改进，提出了一种FP—growths算法，该算法生成了最大频繁项目集，避免了冗余频繁项目集的产生，减少了产生关联规则的数量，从而有效解决了产生重复推荐的可能，应用在推荐系统中可以提高系统运行效率。

基于FP-growth的老年行人交通事故损伤致因研究

为研究老年行人交通事故相关因素及其对损伤程度的影响,以中国交通事故深度调查数据库中2013—2023年710起机动车-老年行人事故为分析对象,利用FP-growth算法挖掘出4类影响因素28个类型变量共5594项关联规则。研究结果表明:行人年龄、碰撞速度、事故时间段及事故地点是影响老年行人事故死亡率的显著因素。特别是,行人年龄和碰撞速度对死亡率有显著影响,随着碰撞速度的增加,死亡率显著上升;60岁及以上老年行人年龄每增加1岁,其死亡率提升0.037倍。此外,事故发生在夜间、郊区或村庄的死亡率更高。研究结果可为提高老年行人交通安全,制定相关安全措施提供一定参考。

基于FP-Growth算法的运毒嫌疑车辆智能推荐研究

毒品运输是毒品犯罪的重要环节,虽然毒品运输的手段越来越多样化,但公路运输仍然是主要的运输方式之一,而运毒人员有着各自经典的运毒模式。文中对运毒模式进行特征挖掘,发现存在前后车伴随的规律,根据实际业务中前后车行为以半小时为时间间隔导向,建模时选择PostgreSQL数据库。在数据库中建立过往车辆前半小时中间表、后半小时中间表、中间跨度表,运用人工智能数据挖掘技术实现从大量的通行车辆中抽取车辆伴随信息,采用FP-Growth算法挖掘频繁项集,查找高频出现车牌号,通过设定阈值并找到对应的关联规则,经过缉毒民警提供的黑名单进行过滤并排序,最后进行车辆嫌疑度的推荐,为民警拦截嫌疑车辆提供支持,能够在一定程度上提高对嫌疑车辆排查的针对性、准确性和有效性。

基于FP-growth算法的高维混合属性数据挖掘方法

常规高维混合属性数据挖掘方法多采用云平台技术,无法完整保留数据的结构相似性,使得数据挖掘效率较低。为此,提出了基于FP-growth算法的高维混合属性数据挖掘方法。为了改善数据质量,根据高维混合属性数据在数据库中的存储结构,采用了一种固定算法实现数据去噪,并依据数据类型计算分类型和数值型相似度,结合FP-growth算法对频繁项样本分支进行筛选生成项表头,保证数据结构相似性的完整性,通过搜索项表头输出有效关联规则,实现数据挖掘过程。实验结果表明,所提方法具有较高的挖掘效率。

基于疗效加权FP-Growth算法的干燥综合征组方用药挖掘分析

目的以数据挖掘方法探索干燥综合征组方用药规律,并探讨加权FP-Growth算法在中药方剂挖掘中的应用,为中医临床用药分析提供新思路。方法以中医临床疗效作为加权标准,以集对分析为基础计算疗效基数ρ,以w=(ρ_(对照组)-ρ_(实验组))/ρ_(对照组)+δ计算最终加权值,以加权FP-Growth算法为关联规则分析方法进行数据挖掘,分别计算支持度及提升度,对挖掘结果进行支持度和提升度的分析,综合得出分析结果。结果最常用中药前5位为:麦冬、生地黄、甘草、白芍、北沙参。综合支持度及提升度分析挖掘结果后提出以麦冬、生地黄、北沙参、甘草为基本底方,丹参、玄参、黄芪为祛瘀,解毒,补气加减方向的代表。并挖掘出了两个值得关注的高支持度药团:补脾肾的茯苓-山茱萸-山药-丹皮药团及补气血的白芍-太子参-五味子-当归药团。结论干燥综合征临床用药以养阴生津药为主,配伍具有经典方特色。加权FP-Growth算法用于组方用药分析可提炼核心组方思路及加减方向,有助于中医药经验的继承与发展。

基于FP-Growth算法的煤矿安全信息管理系统设计及应用

为将煤矿安全生产管理关口再度前移,强化对煤矿生产一线的安全管理,提出了基于FP-Growth算法的煤矿安全信息管理系统。首先明确了系统设计目标及架构设计方案,以移动智能手持终端等为前端设备,采用B/S模式结合JAVA、CSS等语言研发出可运行于内部局域网(Intranet)和互联网(Internet)并支持多终端互动的安全信息管理系统;其次研发了系统主要功能模块包括事故隐患排查、风险分级管控、不安全行为治理及其他功能等;最后将系统应用于陕北某矿,并基于FP-Growth算法对该矿事故隐患数据进行深度挖掘,分析其不同维度数据间的关联性。研究及应用结果表明:该系统的应用能够对煤矿事故隐患起到预防预警的作用,可有效遏制生产一线安全生产风险与事故隐患的发生,有效保障煤矿的安全、高效生产,为煤矿安全生产提供辅助决策。

数据点位置并行FP-Growth挖掘算法仿真

当数据集发生非法入侵时,原数据属性会遭到破坏,且由于数据本身的不确定性及噪声等问题,入侵数据点位置的挖掘难度较大。为此,提出基于并行频繁模式增长算法(Frequent Pattern Growth, FP-Growth)的数据点位置智能挖掘方法。建立信息熵-主成分分析法融合算法(Entropy-Principle Compoent Analysis, E-PCA),对大数据降维。融合入侵检测和K均值聚类算法(Intrusion Detection Systems K-means clustering algorithm, IDS K-means算法)和并行FP-Growth算法,实现入侵数据的检测。利用邻居节点数据投票的方式实现入侵数据点位置智能挖掘。实验表明,所提方法检测入侵数据时误报率低于1.0%,数据点位置挖掘准确率高于98%,且能够精准实现正常数据与异常数据的聚类。以上结果均证明了所提方法具有更优的应用性能。

负载均衡的FP-growth并行算法研究

针对在大数据量频繁模式挖掘的时候,有效地利用空闲的计算资源,提出一种基于FP-growth算法的并行算法。该算法有效地将FP-growth主要的计算部分合理地分配到各个计算节点上,各个节点独立完成挖掘后返回结果,从而缩短总计算时间。实验证明,该算法可以完整高效地挖掘频繁模式,并且实现均衡负载。

基于FP-growth算法的多尺度用电异常行为检测方法

异常用电行为检测直接关系到电力公司的利益。针对上述问题,提出一种基于FP-growth算法的多尺度用电异常行为检测方法。通过采集器远程获取用电数据,并对缺失数据填补和数据进行标准化处理。通过计算特征的重要性指数和贡献率选取多尺度用电行为特征。利用FP-growth算法建立特征与用电行为之间的关联规则,根据支持度和置信度判断是否存在异常,实现用电异常行为检测。实验结果表明,所研究方法的F1值始终高于0.8,说明该方法的检测更为准确。

一种基于FP-Growth数据挖掘算法和正则表达式进行车驾管系统智能监管的实现方式

本文基于公安交通管理综合应用平台车驾管业务登记事项内容和基于传统表结构的车驾管数据库后台,通过FP-Growth数据挖掘算法和正则表达式,对前台窗口输入数据和数据库已有数据进行自动模式匹配,自动过滤错误数据或进行数据业务信息预警,实现对车驾管业务进行事中和事后监督,从而提高数据质量,完成业务监管。本文先介绍FP-Growth的概念及运行机制,自动挖掘数据中的规律的方法,再介绍正则表达式对系统前端数据的初步过滤方法,最后给出整套的数据监管流程。本文主要在理论层面讲述监管的运行原理和小规模实验结论,因实验环境设备所限,不涉及大量数据库真实数据的操作。最后对该算法的优化方向进行了讨论。

基于“剪枝+并行”FP-Growth算法的密切接触人员快速追踪技术的研究

利用“剪枝+并行”式FP-Growth优化算法,通过提升计算精度和速度的方式对疫情发生地区确诊患者的密接人员、次密接人员和同时空关联人员实行快速精准的排查。与传统的FP-Growth算法相比,“剪枝+并行”式FP-Growth算法的计算性能得到显著提升。通过对某地区测试者7天内行迹及相关联人员信息进行时间和准确方面的测试比较发现,计算时长缩短了近30%,准确率由82%提升至91%。实验表明,利用优化后的FP-Growth算法能够较好地满足疫情发生地区快速精准确定相关联人员的要求。

基于改进FP_Growth算法在中药提取信息中研究

中药提取在中药生产中占有十分重要地位,企业在生产中药过程中,生产过程数据和质量数据存在一定的问题。数据挖掘技术的出现及利用k-means聚类算法和改进的FP_Growth算法对中药生产过程数据进行分析,既能为企业提高生产效率,降低成本,又保证产品的质量。因此对中药提取信息数据挖掘不仅是有必要的,更具有实际意义。

一种基于事务—项矩阵改进的FP-Growth算法

FP-Growth算法是关联规则挖掘的一个经典算法。本文提出一种基于事务-项矩阵的挖掘算法MFP-Growth算法,利用向量矩阵表示事务数据库,整个挖掘过程只扫描一遍数据库,通过构造各个频繁项的条件矩阵,利用条件矩阵的向量运算来进行频繁模式的挖掘,减少了算法占用的内存空间,提高了挖掘效率.实验结果表明,MFP-Growth算法是有效可行的.

一种基于FP-Growth的改进算法

关联规则挖掘由于表达形式简洁、易于解释和理解已成为数据挖掘中的研究热点,对关联规则的研究具有重要的理论价值和现实意义。文章分析频繁项集挖掘算法FP-growth算法,针对算法中存在的效率瓶颈问题,提出了一个改进的挖掘算法。改进后的算法通过投影统计的方法直接得到频繁1-项集的条件模式基,从而减少了FP-growth算法中构造FP-tree和搜索的开销。通过分析,说明改进的算法具有良好的性能。

一种优化FP-growth的支持度相同项的排序算法

Han等人提出了频繁模式增长FP-growth算法,该算法在第一次扫描数据库后,得到频繁项集合和每个频繁项的支持度,并按支持度降序排列,但没有对支持度相同项的排列做进一步说明。本文依据"越是频繁出现,越可能被共享"的建树原则,提出了通过比较该项与前后项项集的支持度,较大者先排列的方法,使后续构建的FP-tree比任意排序构建的FP-tree更优。

基于FP-Growth算法的中药配方数据挖掘

本文探讨了数据挖掘技术在中药方剂配伍研究中的应用,介绍了关联规则的挖掘算法--FP-Growth算法,提出了运用FP-Growth算法从中药方剂中挖掘出相关联的中药的方法。

FP-Growth算法在中药数据挖掘中的应用

中药数据挖掘研究是指在中医理论指导下,用知识发现技术对传统中药新药、中医组方理论及规律、中药作用机制、有效成分、构效关系等多个方面进行全面、系统的研究.将关联规则用于方剂配伍研究的主要目的是探寻核心药群,寻找药物之间的相互联系和整体用药规律.目前普遍使用的是基于频繁项目集发现的Apriori算法,该算法易于实现,但在实际中存在有一些难以克服的缺陷:如对数据库的扫描次数过于频繁、会产生大量的候选项集等.主要采用一种改进的FP-Growth优化算法,可以对无向项集图进行实时构造,同时将该算法应用在方剂配伍中的药性关系进行了有效的尝试.

面向计算机集群系统的FP-Growth算法的并行计算

FP-Growth是频繁模式挖掘的经典算法,能够在不产生候选集的情况下生成所有的频繁模式,效率与Apri-ori算法相比有巨大提高,然而FP-Growth算法在挖掘频繁模式过程中需要递归构建大量的条件FP-tree,并分别针对这些条件FP-tree进行挖掘,时间及空间效率不高,在实际应用中存在很大局限性。计算机集群是由多台普通计算机设备通过特定方式结合在一起构成的并行处理系统,属于分布式计算环境,具有计算能力强大、性价比高、灵活等优势。本文提出一种面向计算机集群的并行挖掘算法Gridify FP-Growth,该算法以FP-Growth为基础,通过任务划分的形式,将计算任务分配到计算机集群中各个计算节点上执行,充分利用各个节点的计算资源,最后汇总各节点的计算结果。实验证明Gridify FP-Growth算法不会牺牲计算的准确性,并可以大幅度缩短计算时间,有效缓解计算大规模数据库时的内存压力。

FP-growth算法在医学形态学教学系统中的应用与研究

针对已有网络教学系统缺乏智能性、不能有效地为用户提供满足要求的教学资源、无个别化指导等缺点,项目组将数据挖掘中FP-growth算法应用到医学形态学实验教学系统中,从而提高该教学系统的智能化水平、激发学生学习兴趣。大量实验表明,引入过FP-growth算法的医学形态学实验教学系统,不仅能够利用有效地的为用户提供满足要求的教学资源,还能够因材施教对学生实行个性化指导。

FP-Growth算法在电子商务中的应用

针对电子商务推荐销售的需求和FP-Growth算法不产生候选集的特性,提出利用FP-Growth算法,运用VC++程序开发工具,对某一电商卖家的数据进行频繁项集挖掘,针对挖掘得到的频繁K项集,指导卖家如何组合商品销售。试验结果表明利用FP-Growth算法在电商组合销售中是有效的。