.png){kind=icon}
返回
An efficient method for mining top-k multi-level high utility itemsets
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113359.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高实用性项集挖掘（HUIM）被用于分析用户行为。它是频繁项集挖掘的一种扩展形式。Top-k HUIM为确定合适的最低实用性阈值提供了解决方案。尽管HUIM算法已被改进并实现了高性能，但挖掘层次数据并未受到广泛关注。在层次数据库上，top-k HUIM算法的内存和运行时间需求仍然较高。本研究提出了一种方法，称为top-k多级高实用性项集（TK-MLHUI）挖掘，以提高挖掘效率。该方法使用多种策略，包括子树和局部实用性，通过应用更严格的upper bounds来减少搜索空间。任何层级的层次数据都可以使用这些upper bounds。它还建议了一种通过多种策略减少扫描所需数据的方法，包括在挖掘层级上合并列表项和更新有前景的项。此外，引入了一种利用项的实用性列表有效提高阈值策略。使用各种数据库的实验允许对方法性能进行评估。与之前的方法mlTKO相比，TK-MLHUI将执行时间减少了3700倍以上，同时使用的内存也更少。
Keyword:
Data mining
Hierarchical data
Multi-level high utility itemset mining
Top-k HUI mining
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
引用论文
.png){kind=icon}
分享收藏Efficient approach for mining high-utility patterns on incremental databases with dynamic profits在具有动态利润的增量数据库上挖掘高效用模式的有效方法
PREAI
分享收藏
查看更多内容