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算法的交通事故数据关联规则挖掘研究

为了探寻多种事故影响因素共同作用下诱发交通事故的某种规律以及各因素间的关系,本文采用FP-growth算法对收集到的交通事故数据进行分析研究,挖掘其中的潜在价值信息,找出事故发生的原因,根据分析结果给相关部门提出建议,帮助城市交通管理者制定更有效的管理措施,以达到降低交通事故发生频率的目的。

基于改进FP-Growth算法和贝叶斯的营业线施工安全风险分析

铁路营业线施工事故致因因素众多且存在关联关系,挖掘事故致因之间的关联关系和因果关系对事故的预防管控具有重要意义。通过文本挖掘对2010—2022年某路局营业线事故调查报告进行处理,提取出51个事故致因因素。基于事故因果连锁理论将致因因素分为人因层、设备层、环境层、管理层4个层级进行分层分析,构建铁路营业线施工事故致因体系。基于压缩算法和差分编码对传统FP-Growth算法进行改进,以此对铁路营业线施工事故致因进行挖掘,找到满足提升度要求的高支持度关联规则和高置信度关联规则,发现关键致因关联和事故致因规律。基于贝叶斯网络理论、致因关联关系和专家经验建立营业线施工安全风险贝叶斯网络,结合复杂网络理论分析网络节点度、聚类系数与节点介数等特征,找到关键致因因素。在此基础上,运用因果推理和故障诊断推理进一步剖析营业线施工过程中的高风险致因,并从“人防、物防、技防”3方面提出预防管控措施。案例结果表明:施工人员操作不当、施工造成接触网故障、施工导致设施设备侵限、施工作业损害电缆设备、施工造成轨道电路故障和施工、检修、清扫设备耽误列车类事故之间的关联关系较为频繁,且为红光带事故的高概率致因,在施工作业过程中应多层次重点预防管控。研究成果为铁路营业线施工安全管理提供一种新的风险分析方法。

基于FP-Growth算法的直流输电系统阀基电子设备缺陷关联性分析

换流阀控制设备作为直流输电系统的核心设备,对其阀基电子设备进行缺陷异常分析是保证直流输电系统稳定可靠运行的基础。提出一种基于FP-Growth算法的直流输电阀基电子设备缺陷关联性分析方法。首先基于阀基电子设备的基本结构与原理,采集阀基电子设备缺陷数据;接着对原始数据进行预处理,量化编码后导入FP-Growth算法,通过构建FP-Tree,计算其支持度和置信度,分析阀基电子设备的缺陷特征和影响因素以及各元件之间的关联关系。该方法能高效智能实现对直流输电系统核心设备缺陷的关联分析及故障溯源,为运维人员检修策略的制定提供了理论依据。最后以实际直流输电系统换流阀阀基电子设备缺陷数据仿真算例对所提方法的有效性进行了验证。

基于FP-Growth算法的新能源配电网CPS网络攻击检测方法

为有效分析识别有源配电网信息物理系统(cyberphysicalsystem,CPS)状态,提出基于FP-Growth算法的有源配电网信息物理系统网络攻击检测方法。首先分析考虑网络攻击的有源配电网控制模型及CPS网络攻击影响机理,通过实时仿真平台对有源配电网CPS信息侧和物理侧进行监测来获取原始数据;然后通过额定电压、电流值制订数据离散化规则,并根据规则对原始数据进行离散量化处理来生成事件序列。在此基础上,采用FP-Growth算法挖掘历史数据异常信号的频繁项集和强关联关系,通过已有频繁序列特征对新的攻击类别和故障点进行识别,实现对有源配电网CPS网络攻击的检测。最后,仿真实验验证了所提方法的可行性和有效性。

髋关节骨折术后小腿肌间静脉丛血栓FP-Growth预测模型创建和验证

目的创建髋关节骨折术后小腿肌间静脉丛血栓(MCVT)FP-Growth预测模型,评价模型的预测效能。方法回顾性分析华北理工大学附属医院2014年1月至2024年1月800例髋关节骨折术后患者的临床资料。采用抽签法按照7∶3的比例将患者分为建模组(560例)和验证组(240例)。采用FP-Growth算法扫描建模组临床资料集合,基于有效强关联规则创建髋关节骨折术后MCVT预测模型。校准曲线和临床决策曲线分析进行FP-Growth预测模型内部验证;受试者操作特征曲线进行FP-Growth预测模型外部验证。结果FP-Growth算法获得频繁项集合总数为7527项,确定有效强关联规则8项。具备单独前项临床资料的患者MCVT发生率为51%~58%;具备二、三前项临床资料的患者MCVT发生率为69%~72%;具备四项临床资料的患者MCVT发生率为76%。建模组预测MCVT的C-index为0.852,预测值同实际值一致性较为理想,模型能够提供临床净收益。建模组预测MCVT的曲线下面积(AUC)为0.873,验证组预测MCVT的AUC为0.864,建模组与验证组预测MCVT的AUC比较,差异无统计学意义(P>0.05)。结论模型对髋关节骨折术后MCVT的预测效能较为理想,其预测方法和结果能够为MCVT的防治提供一定的参考。

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。

基于布尔矩阵和MapReduce的FP-Growth算法

关联规则挖掘是数据挖掘的一个重要组成部分.为提高关联规则的挖掘效率,提出了一种基于布尔矩阵和MapReduce的FP-Growth算法(BPFP),分析了算法的时间和空间复杂度.该算法使用Hadoop框架和布尔矩阵以减少对事务数据的扫描次数,利用两次MapReduce来实现频繁项集的挖掘.在多个数据集上的实验结果表明,与原FP-Growth算法相比,BPFP算法具有更高的执行效率、更好的加速比.