在分布式数据流中查找近期频繁项方法的研究

传统的分布式数据流挖掘模型是一种挖掘结果中逐层进行的层次模型,通信带宽是一个瓶颈.为了减少分布式数据流结点的通信,本文采用一种基于数据密度的偏倚抽样方法对分布式数据流组中的每个流进行抽样,只维护抽样数据中最近期的元素.在频繁项挖掘过程中,设计了一种哈希计数方法(不同于传统哈希计数算法),可以同时对数据的计数进行增加和删减,计数的值是有一定误差保证的近似值,算法称为FFIDDS算法.实验结果证明,通信负担和处理时间均明显比传统HCS模型的算法优秀.     

家电下乡的尴尬乡镇经销商缘何不作为

从家电下乡活动的正式启动．至今已经有一段时间,这场由城市转向农村的家电战略转型究竟运行的怎么样,笔者调查发现,在家电下乡的最直接体现的乡镇市场,经销商们近来对家电下乡患上了“不作为症”。     

FCISW:数据流中增量挖掘频繁闭项集的新方法

数据流频繁闭合模式挖掘是数据挖掘中的一大挑战.目前,在这方面的研究很少.提出了一种新的在滑动窗模型下发现频繁闭项集的算法--FCISW(frequent closed itemsets mining in sliding window).首先,FCISW算法在ST(suffix tree)结构中应用自底向上的遍历方式单遍有效地挖掘所有频繁闭项集,并将挖掘结果保存到一种新的bit_vector表结构中.当新的挖掘结果要存入bit_vector表时,它先与表中已存入的频繁闭项集进行位向量或操作,如果条件全部满足,再存入这个挖掘结果.这样可以大大提高频繁闭项集替换和重复比较的速度.最后,FCISW算法可以在滑动窗中快速有效地进行增量更新.实验证明,FCISW算法在内存应用和运行时间上都存在一定的优势.