.png){kind=icon}
返回
High-Utility Sequential Rule Mining Utilizing Segmentation Guided by Confidence
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2026.3680101.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在数据挖掘领域，一个关键目标是发现高效用序列规则。目标是发现既具有高效用又具有强置信度的序列规则，这些规则在现实应用中具有重要价值。然而，现有的高效用序列规则挖掘算法存在冗余效用计算问题，因为不同的规则可能包含相同的物品序列。当这些物品能形成多个不同规则时，需要额外的效用计算。为解决此问题，本研究提出了一种利用置信度引导分段（RSC）的序列规则挖掘算法，该算法采用置信度引导分段来减少冗余效用计算。它采用一种通过预先利用候选子序列的支持度来预计算分段规则置信度的方法。一旦确定分段点，所有具有不同前项和后项的规则将同时生成。RSC使用效用关联表来加速候选序列生成，并引入一个更严格的效用上界，称为序列的减少剩余效用，以处理包含重复物品的序列。最后，在多个数据集上评估了所提出的RSC方法，结果表明其优于当前最先进的方法。
Keyword:
Data mining
sequential rule
utility mining
segmentation
confidence
期刊
IF:
10.4
论文数:
6.9K
被引数:
3.2W
机构
引用论文
.png){kind=icon}
HUPSP-LAL: Efficiently mining utility-driven sequential patterns in uncertain sequencesHUPSP-LAL: 在不确定序列中高效挖掘基于效用的序列模式
PREAI
分享收藏分享收藏
查看更多内容