| 挖掘数据流最近时间窗口内频繁模式 |
| |
| 引用本文： | 陈辉,邓庆山,杨兵. 挖掘数据流最近时间窗口内频繁模式[J]. 小型微型计算机系统, 2009, 30(12) |
| |
| 作者姓名： | 陈辉 邓庆山 杨兵 |
| |
| 作者单位： | 1. 江西财经大学,软件与通信工程学院,江西,南昌,330013
2. 华中科技大学,计算机科学与技术学院,湖北,武汉,430074 |
| |
| 基金项目： | 国家自然科学基金项目 |
| |
| 摘 要： | 由于流数据的流动性与连续性,传统的频繁模式挖掘算法不能直接应用于数据流频繁模式挖掘.挖掘数据流上最近的频繁模式算法使用模式树RFP-tree增量维护数据流上最近的频繁模式,且仅需单次扫描流数据;另外,保守计算策略保证模式挖掘的正确性.仿真试验结果显示,该算法的效率优于其它同类算法.
|
| 关 键 词： | 数据流 频繁模式挖掘 滑动窗口 保守计算 |
Mining the Frequent Patterns in Recent Time Window over Data Streams |
| |
| CHEN Hui,DENG Qing-shan,YANG Bing. Mining the Frequent Patterns in Recent Time Window over Data Streams[J]. Mini-micro Systems, 2009, 30(12) |
| |
| Authors: | CHEN Hui DENG Qing-shan YANG Bing |
| |
| Abstract: | Because of the fluidity and continuity of the stream data, the mining algorithms over static databases can not be directly applied to data streams. The algorithm for mining the recent frequent patterns over an online data stream uses RFP-tree to compactly store the recent frequent patterns of a stream by scanning the stream only once. Additionally, the strategy of conservative computation could make sure the correctness of the mining results. Finally, the performance results of simulation show that the algorithm is superior to other analogous algorithms. |
| |
| Keywords: | data stream mining frequent pattern sliding window conservative computation |
| 本文献已被 万方数据 等数据库收录！ |
|
