.png){kind=icon}
返回
Mining High Average Utility Nonoverlapping Patterns from Sequential Database
.png){kind=icon}
PRE
AI
DOI：10.1145/3773899.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
作为数据挖掘的关键方面，高平均效用序列模式挖掘（SPM）旨在从序列数据中发现低频且高平均效用的模式（子序列）。现有的大多数高平均效用SPM方法忽视了序列中模式的重复出现，导致一些重要模式被忽略。为解决此问题，我们专注于从序列数据库中挖掘高平均效用非重叠模式（HUPs）的问题，并提出了一种H UP-Miner算法。为减少对原始数据库的重复扫描需求，我们使用位置字典记录每个项的出现信息。为减少候选模式的生成数量，我们采用模式连接策略并探索了四种剪枝策略。为高效计算模式的平均效用，我们提出了SPC算法，该算法利用子模式的出现位置。与12种竞争算法在14个数据库上的实验结果相比，H UP-Miner表现出更优的结果。此外，我们将信息增益作为每个项的效用，发现由此发现的HUPs通过聚类分析能产生更好的性能。所有使用的算法和数据库均可在https://github.com/wuc567/Pattern-Mining/tree/master/HUP-Miner获取。
Keyword:
sequential pattern mining
high average utility
repetitive sequential pattern
information gain
clustering performance
期刊
IF:
6.6
论文数:
1.5K
被引数:
6.2K
查看更多机构
.png){kind=icon}
