Maintaining discovered frequent itemsets: Cases for changeable database and support

Mining frequent itemsets from large databases has played an essential role in many data mining tasks. It is also important to maintain the discovered frequent itemsets for these data mining tasks when the database is updated. All algorithms proposed so far for the maintenance of discovered frequent itemsets are only performed with a fixed minimum support,which is the same as that used to obtain the discovered frequent itemsets. That is, users cannot change the minimum support even if the new results are unsatisfactory to the users. In this paper two new complementary algorithms, FMP (First Maintaining Process) and RMP (Repeated Maintaining Process), are proposed to maintain discovered frequent itemsets in the case that new transaction data are added to a transaction database. Both algorithms allow users to change the minimum support for the maintenance processes. FMP is used for the first maintaining process, and when the result derived from the FMP is unsatisfactory, RMP will be performed repeatedly until satisfactory results are obtained. The proposed algorithms re-use the previous results to cut down the cost of maintenance. Extensive experiments have been conducted to assess the performance of the algorithms. The experimental results show that the proposed algorithms are very resultful compared with the previous mining and maintenance algorithms for maintenance of discovered frequent itemsets.     

基于引力搜索机制的数据聚类及特征选择算法

为同步选择具有相关特征的数据聚类数量,提出一种基于引力搜索机制的聚类和特征选择算法.设计一种代理表示策略实现聚类中心和特征数量的编码;提出一种动态临界值方法决定聚类和特征数量,通过代理适应度的不断评估寻找最优聚类量和相关特征;分析算法的时间复杂度,通过8个经典数据集测试算法性能,并与7种常规数据聚类算法作对比.实验结果表明,所提算法在聚类和特征数量选择上具有更高的准确率.     

一种新型的Web应用解决方案——Bullant

1 引言伴随着互联网在全球的延伸,越来越多的企业希望把自己的业务拓展到Web上,能够随时随地地为广大客户提供服务。为了满足企业开发Web应用的需求,IT业界提出了多种基于Client—Server模式的解决方案,基本结构如图1所示。这些解决方案的设计思想大致是:对于用户界面和数据服务器,直接从当前多种互联网上的用户界面开发技术以及多种数据库管理系统中各自选取合适的技术与系统来实现,最后在整体方案中提供多种相应的支持接口。解决方案的核心部分在于Web应用服务器的设计与实现,用户通过用户界     

FP-growth算法的实现方法研究

事务数据库中频繁模式的挖掘研究作为关联规则等许多数据挖掘问题的核心工作,已经研究了许多年。早期算法大都是Apriori型算法,即首先产生候选集,然后在候选集的基础上找出频繁模式,候选集的产生往往是耗时的,特别是挖掘富模式或长模式时。JianweiHan等人提出了一种新颖的数据结构FP-tree及基于其上的FP-growth算法,用于有效的富模式与长模式挖掘。由于不同的实现方法可能会导致不同的挖掘效率,该文在讨论FP-growth算法的基础上,采用了几种不同的方法来实现它,并用几个数据库对它们的性能进行了比较。     

基于Bullant技术的三层结构Web应用解决方案

文章在分析现有Web应用解决方案和基于Bullant的两层结构方案的优势与不足的基础上,讨论了如何利用Bullant的的远程对称、ACID存储技术、零摩擦力引擎等关键技术的优势,构建高性能的三层结构Web应用解决方案和已有资源以及成熟系统的复用问题。     

AFC系统异常连接测试工具的设计与实现

北京地铁车站设备和系统对异常数据的处理是否符合北京轨道交通AFC系统设计及实施规范要求,是地铁新线接入测试的必须环节。针对当前测试方法自动化程度不高,测试人员需要对AFC系统有详细了解才能很好地完成异常数据处理测试的问题,通过分析测试工作的内容,归纳测试数据与测试流程的种类,设计实现了具有自动生成测试数据、自动执行测试用例功能的异常连接测试工具;通过实际测试验证了设计工具功能的有效性。     

网吧上网人员伴随分析与算法改进研究

为了准确快速析出关于网吧上网人员记录的频繁项集,通过研究该类海量数据的特征以及各类频繁项集算法,发现在频繁项集析出后的数据量是相对大大减少,可以用Apriori进行关联规则的挖掘,但是海量上网人员记录信息中伴随组之间没有伴随情况,而Apriori算法的频繁项集的析出过程针对该类数据在频繁2-项集的候选过程中会进行初始伴随组之间的大量无用的组合与搜索,同时数据中有部分超长伴随集需要进行有效分割。本文采用了基于初始伴随组内部产生频繁2-候选集和用已有的频繁2-项集分割超长初始伴随组。针对此类数据,最后改进的算法应用结果比直接运用算法提高效率20倍。     

垃圾邮件的智能过滤系统设计探讨

Internet的迅速发展,电子邮件的应用变得十分广泛,但是许多无用、有害信息随之而来。通过对垃圾邮件的分析、处理,设计了"基于用户个性化兴趣"的垃圾邮件智能过滤概念系统,首次提出将邮件向量同规则向量统一定义,有选择地进行二次过滤等理论。功能设计完善,证明了其思想优于目前的某些主流邮件过滤系统。     

垃圾邮件的智能过滤系统设计探讨

Internet的迅速发展,电子邮件的应用变得十分广泛,但是许多无用、有害信息随之而来.通过对垃圾邮件的分析、处理,设计了"基于用户个性化兴趣"的垃圾邮件智能过滤概念系统,首次提出将邮件向量同规则向量统一定义,有选择地进行二次过滤等理论.功能设计完善,证明了其思想优于目前的某些主流邮件过滤系统.     

快速关联规则挖掘算法

关联规则挖掘是数据挖掘及知识发现领域的重要研究内容之一,其核心任务是挖掘数据库中的频繁项集。Apriori及其改良算法是频繁项集挖掘的有效算法。在类Apriori的算法中,它们都采用哈希树来存储频繁项集的候补项集以便快速计算其支持度。该文在仔细分析这些算法所存在的效率瓶颈的基础上,提出了另一个有效的改进算法。所提算法通过利用一个一维数组替代已有算法中的复杂的哈希树来达到改善它们效率瓶颈的目的。通过多个实验评估,该文所提算法的挖掘效率很高,比Apriori及其改良算法要快2到5倍。