检索结果-内蒙古大学图书馆

天津大学学报 2011年第4期44卷 353-358页

作者：郑晓艳孙济洲天津大学计算机科学与技术学院天津300072 天津职业技术师范大学信息技术工程学院天津300222

针对频繁模式挖掘中一类特殊的稀疏数据源,设计了一种链表结构体FI-list,并据此提出一个并行搜索频繁项集(PMFSD)的算法.该方法基于一个分布式共享内存系统——面向视图的分布式集群计算(VODCA)而设计.详细描述了链表结构体FI-list的设... 详细信息

针对频繁模式挖掘中一类特殊的稀疏数据源,设计了一种链表结构体FI-list,并据此提出一个并行搜索频繁项集(PMFSD)的算法.该方法基于一个分布式共享内存系统——面向视图的分布式集群计算(VODCA)而设计.详细描述了链表结构体FI-list的设计和构建过程,论述了在VODCA上挖掘稀疏数据源频繁模式的问题中,视图的划分依据及划分结果,讨论了算法实现的动态任务分配策略.实验结果证明了PMFSD算法的正确性和有效性.

关键词：频繁模式挖掘稀疏数据源面向视图的分布式集群计算视图划分链表

来源：评论

学校读者我要写书评

暂无评论

带学习的同步隐私保护频繁模式挖掘

引用

软件学报 2011年第8期22卷 1749-1760页

作者：郭宇红童云海唐世渭吴冷冬国际关系学院信息科技系北京100091 北京大学机器感知与智能教育部重点实验室北京100871 Department of Computing Science University of Alberta

为了提高挖掘结果的准确性,提出基于样例学习和项集同步随机化的隐私保护频繁模式挖掘方法(learning and synchronized privacy preserving frequent pattern mining,简称LS-PPFM).该方法充分利用不需要隐私保护的个体数据,首先对不需... 详细信息

为了提高挖掘结果的准确性,提出基于样例学习和项集同步随机化的隐私保护频繁模式挖掘方法(learning and synchronized privacy preserving frequent pattern mining,简称LS-PPFM).该方法充分利用不需要隐私保护的个体数据,首先对不需要保护的数据学习,得到样例数据中蕴涵的强关联项,然后在对数据随机化时,将强关联项绑定在一起作同步随机化变换,以保持项与项之间的潜在关联性.实验结果表明,相对于项独立随机化,LS-PPFM能够在略微牺牲一定的隐私保护性的情况下,显著提高频繁模式挖掘结果的准确性.

关键词：有指导的基于学习的随机化隐私保护频繁模式挖掘

来源：评论

学校读者我要写书评

暂无评论

分组随机化隐私保护频繁模式挖掘

引用

软件学报 2021年第12期32卷 3929-3944页

作者：郭宇红童云海苏燕青国际关系学院网络空间安全学院北京100091 北京大学智能科学系北京100871

已有的隐私保护频繁模式挖掘随机化方法不考虑隐私保护需求差异性,对所有个体运用统一的随机化参数,实施同等的保护,无法满足个体对隐私的偏好.提出基于分组随机化的隐私保护频繁模式挖掘方法(grouping-based randomization for privacy... 详细信息

已有的隐私保护频繁模式挖掘随机化方法不考虑隐私保护需求差异性,对所有个体运用统一的随机化参数,实施同等的保护,无法满足个体对隐私的偏好.提出基于分组随机化的隐私保护频繁模式挖掘方法(grouping-based randomization for privacy preserving frequent pattern mining,简称GR-PPFM).该方法根据不同个体的隐私保护要求进行分组,为每一组数据设置不同的隐私保护级别和与之相适应的随机化参数.在合成数据和真实数据中的实验结果表明:相对于统一单参数随机化mask,分组多参数随机化GR-PPFM不仅能够满足不同群体多样化的隐私保护需求,还能在整体隐私保护度相同情况下提高挖掘结果的准确性.

关键词：分组随机化个性化隐私保护频繁模式挖掘

来源：评论

学校读者我要写书评

暂无评论

基于时间衰减模型的数据流频繁模式挖掘

引用

自动化学报 2010年第5期36卷 674-684页

作者：吴枫仲妍吴泉源国防科学技术大学计算机学院长沙410073

频繁模式挖掘是数据流挖掘中的重要研究课题.针对数据流的时效性和流中心的偏移性特点,提出了界标窗口模型与时间衰减模型相结合的数据流频繁模式挖掘算法.该算法通过动态构建全局模式树,利用时间指数衰减函数对模式树中各模式的支持数... 详细信息

频繁模式挖掘是数据流挖掘中的重要研究课题.针对数据流的时效性和流中心的偏移性特点,提出了界标窗口模型与时间衰减模型相结合的数据流频繁模式挖掘算法.该算法通过动态构建全局模式树,利用时间指数衰减函数对模式树中各模式的支持数进行统计,以此刻画界标窗口内模式的频繁程度;进而,为有效降低空间开销,设计了剪枝阈值函数,用于对预期难以成长为频繁的模式及时从全局树中剪除.本文对出现在算法中的重要参数和阈值进行了深入分析.一系列实验表明,与现有同类算法MSW相比,该算法挖掘精度高(平均超过90%),内存开销小,速度上可以满足高速数据流的处理要求,且可以适应不同事务数量、不同事务平均长度和不同最大潜在频繁模式平均长度的数据流频繁模式挖掘.

关键词：数据流频繁模式挖掘数据挖掘时间衰减模型

来源：评论

学校读者我要写书评

暂无评论

基于前缀树的数据流频繁模式挖掘算法

引用

华中科技大学学报（自然科学版） 2010年第7期38卷 107-110页

作者：杨君锐黄威西安科技大学计算机科学与技术学院陕西西安710054

针对数据流的无限性和流动性特点,提出了一种基于前缀树的数据流频繁模式挖掘算法(Prefix-stream).该算法将对数倾斜时间窗口划分为若干个子窗口,以子窗口为单位,利用提出的数据结构Prefix-tree进行挖掘,在整个数据流的频繁模式挖掘中,... 详细信息

针对数据流的无限性和流动性特点,提出了一种基于前缀树的数据流频繁模式挖掘算法(Prefix-stream).该算法将对数倾斜时间窗口划分为若干个子窗口,以子窗口为单位,利用提出的数据结构Prefix-tree进行挖掘,在整个数据流的频繁模式挖掘中,使得频繁模式挖掘和更新能在Prefix-tree中同时进行.该算法应用对数倾斜时间窗口逐步降低历史事务的权重,从而区分最近事务与历史事务.实验结果表明Prefix-stream具有较高的效率与较好的可扩展性.

关键词：数据挖掘数据流频繁模式挖掘频繁模式树对数倾斜时间窗口

来源：评论

学校读者我要写书评

暂无评论

近似到达时间约束下的语义轨迹频繁模式挖掘

引用

软件学报 2018年第10期29卷 3184-3204页

作者：吴瑕唐祖锴祝园园彭煜玮彭智勇软件工程国家重点实验室(武汉大学) 湖北武汉430072 武汉大学计算机学院湖北武汉430072 武汉理工大学计算机科学与技术学院湖北武汉430070

随着GPS定位技术的不断发展与智能移动设备的普及,轨迹数据的获取变得越来越容易,同时,轨迹数据相关应用的需求也逐渐增多.在轨迹数据上加入语义信息,可以得到体积较小、质量较高、能够更好地反映用户行为的语义轨迹,在其上实现旅游线... 详细信息

随着GPS定位技术的不断发展与智能移动设备的普及,轨迹数据的获取变得越来越容易,同时,轨迹数据相关应用的需求也逐渐增多.在轨迹数据上加入语义信息,可以得到体积较小、质量较高、能够更好地反映用户行为的语义轨迹,在其上实现旅游线路推荐、路线预测、用户生活模式挖掘、朋友推荐等应用,可以更好地满足用户需求.挖掘语义轨迹的频繁模式是实现这些应用的技术基础,而在很多情况下,用户对语义轨迹频繁模式常存在到达时间方面的需求,比如按特定时间游玩热门景点的同时需要按时到达车站候车.现有的语义轨迹模式挖掘方法大多没有考虑到达时间的约束,挖掘出的频繁模式缺少到达时间信息;少数方法考虑了精确的到达时间,但因为约束太强会导致无法挖掘到频繁的模式.因此,首次对近似到达时间约束下的语义轨迹频繁模式(approximatearrival-time constrained frequent pattern,简称AAFP)挖掘方法进行了研究,并给出了其形式化定义;通过时间轴划分提出了挖掘AAFP的基线算法,并通过建立索引AAP-tree提出了改进后的高效、灵活的AAFP挖掘算法;之后提出了信息熵增量公式,并给出了时间轴划分及AAP-tree的高效维护方法;最后在真实数据集上进行实验,验证了方法的有效性及高效性.

关键词：轨迹数据语义轨迹近似到达时间轨迹频繁模式频繁模式挖掘

来源：评论

学校读者我要写书评

暂无评论

基于概率衰减窗口模型的不确定数据流频繁模式挖掘

引用

计算机研究与发展 2012年第5期49卷 1105-1115页

作者：廖国琼吴凌琴万常选江西财经大学信息管理学院南昌330032 江西省高校数据与知识工程重点实验室南昌330032 江西省赣抚平原水利工程管理局南昌330201

考虑到不确定数据流的不确定性,设计了一种新的概率频繁模式树PFP-tree和基于该树的概率频繁模式挖掘方法***-growth使用事务性不确定数据流及概率衰减窗口模型,通过计算各概率数据项的期望支持度以发现概率频繁模式,其主要特点有:考虑... 详细信息

考虑到不确定数据流的不确定性,设计了一种新的概率频繁模式树PFP-tree和基于该树的概率频繁模式挖掘方法***-growth使用事务性不确定数据流及概率衰减窗口模型,通过计算各概率数据项的期望支持度以发现概率频繁模式,其主要特点有:考虑到窗口内不同时间到达数据项的贡献度不同,采用概率衰减窗口模型计算期望支持度,以提高模式挖掘准确度;设置数据项索引表和事务索引表,以加快频繁模式树检索速度;通过剪枝删除不可能成为频繁模式的结点,以降低模式树的存储及检索开销;对每个结点都设立一个事务概率信息链表,以支持数据项在不同事务中具有不同概率的情形.实验结果表明,PFP-growth在保证挖掘模式准确度的前提下,在处理时间和内存空间等方面都具有较好的性能.

关键词：不确定数据数据流概率频繁模式频繁模式挖掘数据挖掘

来源：评论

学校读者我要写书评

暂无评论

频繁模式挖掘算法与剪枝策略研究

频繁模式挖掘算法与剪枝策略研究

引用

作者：徐玉生兰州大学

学位级别：博士

频繁模式挖掘是一类基本的数据挖掘问题,可以广泛应用于关联规则分析、相关性分析、孤立点分析、分类和聚类等多种数据挖掘任务,是一个具有重要理论意义和广阔应用前景的课题。本文对频繁模式挖掘问题进行了深入研究和探索,主要内容如下... 详细信息

频繁模式挖掘是一类基本的数据挖掘问题,可以广泛应用于关联规则分析、相关性分析、孤立点分析、分类和聚类等多种数据挖掘任务,是一个具有重要理论意义和广阔应用前景的课题。本文对频繁模式挖掘问题进行了深入研究和探索,主要内容如下: 1.对频繁序列挖掘问题进行深入研究,探讨典型的挖掘算法—GSP、SPADE、SPAM、PrefixSpan,在此基础上,应用新的扩展策略,提出了一种全新的、高效的频繁序列挖掘算法—FINDER。该算法采用深度优先策略枚举搜索空间,使用垂直位图与水平位图向量格式表示项集、事务数据库、序列,摒弃了以往算法所采用的复杂的散列技术和数据库的多遍扫描。FINDER算法采用频繁项集序列扩展策略,最大限度地减少非频繁扩展。最后采用权威数据集生成程序生成测试数据集,验证算法的正确性与有效性。新算法FINDER的效率虽然没有SPAM高,但是,效率接近于SPAM,与其他典型的算法相比,效率提高约3～5倍。 2.对FINDER算法进行改进,采取格理论对枚举空间进行划分,设计并行序列挖掘算法pFINDER。pFINDER继承了FINDER的特性,仍然没有采用散列技术,具有较好的局部性特征。pFINDER采取中间数据的划分技术,减少了远程数据的同步与数据传输。因此,pFINDER算法具有良好的可伸缩性。 3.结合加权频繁序列挖掘问题,改进FINDER,设计交互式加权频繁序列挖掘算法。该算法采取项重命名机制,把加权项转化为平凡项,使之适合于有效的频繁序列挖掘算法,简化了加权序列挖掘问题,特别适合于交互式挖掘。该算法对于实际应用特别有效。 4.频繁模式挖掘是一项十分复杂的I/O密集型和计算密集型的挖掘任务,搜索空间的剪枝是有效提高效率的手段。通过对频繁模式挖掘算法搜索空间的深入研究,在认真分析现有剪枝策略的基础上提出新的搜索空间剪枝策略SEP和IEP。同时证明了相关的定理与推论,保证了两种剪枝策略的理论正确性。 5.对典型的频繁模式挖掘算法进行分析,应用新的剪枝策略SEP与IEP,对文献资料上普遍认为比较高效的SPAM、SPADE、MAFIA、CHARM等频繁模式挖掘算法进行改进,形成新的频繁序列挖掘算法或频繁项集挖掘算法SPAM+、SPADE+、MAFIA+、CHARM+,结合公认的测试数据集或测试集生成程序,对各算法进行实验,并进行对比分析,以验证剪枝策略的正确性与有效性。实验表明,利用剪枝策略SEP、IEP改进后的算法SPAM+、SPADE+、MAFIA+、CHARM+分别比原来的算法效率提高最多达10倍,对大数据集,效率的提高也在30%～50%。 6.所提出的SEP与IEP剪枝策略不仅可以大大改善算法的性能,同时,通过对多个算法的改进,也表明了该策略可以被多种算法和挖掘问题共用,表现了SEP、IEP独立于挖掘算法的特性。

关键词：数据挖掘关联规则分析频繁模式挖掘频繁项集挖掘频繁序列挖掘枚举空间剪枝策略最大频繁模式挖掘频繁闭模式挖掘

来源：评论

学校读者我要写书评

暂无评论

频繁模式挖掘中的隐私保护方法研究

频繁模式挖掘中的隐私保护方法研究

引用

作者：郭宇红北京大学

学位级别：博士

频繁模式挖掘是许多数据挖掘问题的核心任务，并有广泛的应用。人们对数据隐私和信息安全的关注，往往限制和阻碍正常的挖掘任务。如何在基于隐私和安全考虑的环境中，很好地实施频繁模式的挖掘任务和各种应用，是频繁模式挖掘和信息安... 详细信息

频繁模式挖掘是许多数据挖掘问题的核心任务，并有广泛的应用。人们对数据隐私和信息安全的关注，往往限制和阻碍正常的挖掘任务。如何在基于隐私和安全考虑的环境中，很好地实施频繁模式的挖掘任务和各种应用，是频繁模式挖掘和信息安全领域结合后的一个研究热点。频繁模式挖掘中的隐私保护就是要研究解决此热点问题，它一方面要能保护好数据隐私，防止敏感知识泄露；另一方面要尽可能得到真实正确的挖掘结果。本文紧紧围绕频繁模式挖掘中的隐私保护方法展开研究，主要研究内容和创新性成果如下：\n (1)提出三类新的多参数随机化模型，给出随机化模型的分类框架。其中，“个体多参随机化模型”(PN)针对不同个体需要不同保护的多样化隐私保护需求，可为不同个体设置不同的随机化参数；“复合多参随机化模型”(P2×m、P2×N、Pm×N、P2×m×N)组合基本的多参随机化模型，使随机化参数控制的范围更细致；“分组多参随机化模型”(Pm/g、PN/g、P2×m/g、P2×N/g、Pm/g×N/g、P2×m/g×N/g)对不同数据单元进行分组，使随机化参数对于数据粒度的控制更灵活。新提出的这三类模型，弥补了已有随机化模型在隐私保护差异性上的不足，增强了随机化过程参数设置的灵活性。同时，本文依据随机化过程是否根据取值、属性和个体的不同作了区分，给出了随机化模型分类框架，依此框架形成的分类层次构成了随机化模型的整体视图。\n (2)提出基于个体分组多参随机化模型的个性化隐私保护频繁模式挖掘方法GP-PPFM(GroupingPersonalizedPrivacyPreservingFrequentpatternMining)。该方法能实现对个体隐私数据的分组保护，并确保频繁项集挖掘结果的准确性。准确性的获得依靠支持度重构技术，本文设计三种支持个体分组多参随机化模型的支持度重构方法，以及相对应的隐私保护频繁模式挖掘算法。同时，本文在理论上给出了三种支持度重构方法的隐私保护度公式、1-项集支持度重构偏差公式；并结合实验数据，详细分析了支持度重构误差与项集长度的关系、与支持度阈值的关系，对支持度重构与不重构的误差作对比。结果表明，在整体隐私保护度相同情况下，面向个性化分组多参数随机化的rec2方法的支持度重构结果准确性，高于已有的单参数随机化mask方法，更为重要的是，GP-PPFM方法能满足个体的多样化隐私保护需求。\n (3)提出基于样例学习和项集同步随机化的隐私保护频繁模式挖掘方法LS-PPFM(LearningandSynchronizedPrivacyPreservingFrequentpatternMining)。该方法旨在充分利用不需要隐私保护的个体数据，以提高挖掘结果的准确性。LS-PPFM首先对不需要隐私保护的个体数据进行学习，得到样例数据中蕴涵的强关联项，然后在对数据随机化时，将强关联项绑定为一个项作同步随机化变换，以保持项与项之间的潜在关联性。实验结果表明，相对于项独立随机化，通过选取样例数据中支持度高的项集项作为强关联同步项，LS-PPFM能在牺牲一定程度的隐私保护性情况下，显著提高频繁模式挖掘结果准确性。\n (4)提出基于FP树的反向频繁项集挖掘方法FP-IFIM(FP-tree-basedInverseFrequentItemsetMining)。该方法利用FP树实现从频繁项集到事务数据集的转换；通过将频繁项和非频繁项分开处理，减小线性约束问题的规模和目标解搜索空间；通过采用分治策略将目标约束分解为若干子约束迭代求解，减小计算开销。分析和实验结果表明FP-IFIM能大大加快问题求解过程，且与现有方法仅能输出一个目标数据集比，能输出较多的满足约束的目标数据集。同时，本文对数据集、FP树、频繁项集之间的映射关系进行了探索。该方法适用于当支持数阈值较高而从原始数据集产生的频繁项较少的情况，其主要意义在于，它能帮助数据拥有者在不泄露真实数据情况下，生成多个具有真实数据集特征的共享数据集供公众使用。\n (5)研究频繁模式挖掘中的敏感知识隐藏技术。综合分析比较已有关联规则隐藏技术，提出基于数据重构的关联规则隐藏框架DR-ARH(DataReconstructionbasedAssociationRuleHiding)。该框架通过在知识层面的清洗来隐藏敏感规则，旨在对发布数据集中的敏感关联规则进行隐藏时，为用户提供对于规则更直观、有效的控制。

关键词：频繁模式挖掘隐私保护信息安全敏感知识泄露随机化模型样例学习

来源：评论

学校读者我要写书评

暂无评论

频繁模式挖掘算法研究

频繁模式挖掘算法研究

引用

作者：战立强哈尔滨工程大学

学位级别：博士

频繁模式挖掘是数据挖掘领域的一个基本问题，研究内容一般包括项目集合、项目序列和时间序列等各种数据中的频繁模式挖掘。其方法被广泛应用于许多其它数据挖掘任务中，如关联规则、分类和聚类、周期分析、相似性查询等等。由于问题本... 详细信息

频繁模式挖掘是数据挖掘领域的一个基本问题，研究内容一般包括项目集合、项目序列和时间序列等各种数据中的频繁模式挖掘。其方法被广泛应用于许多其它数据挖掘任务中，如关联规则、分类和聚类、周期分析、相似性查询等等。由于问题本身的基础性和内在复杂性，频繁模式挖掘方法成为许多研究者关注的课题。本文对频繁模式挖掘的算法进行了研究。重点研究了以下几个方面的频繁模式挖掘算法问题：项目集合的完全频繁模式和部分频繁模式挖掘算法；项目序列中的Web频繁路径挖掘算法；时间序列的频繁模式挖掘算法等。本文研究内容和创新工作主要包括以下几个方面：对频繁模式挖掘算法中常用的数据结构FP-tree进行了深入的研究，提出了多种FP-tree的新操作方法，包括FP-tree的拆分、合并、投影等操作，使FP-tree在频繁模式挖掘算法中得到更加灵活的运用，从而有利于提高算法的效率。提出了在项目集合中挖掘频繁模式的FP-DFS算法和FIPT算法。前者用于完全频繁模式挖掘，后者用于部分频繁模式挖掘。FP-DFS算法以FP-tree为基本数据结构，但不再使用条件模式基递归地构造FP-tree，而是通过使用本文提出的FP-tree的新操作方法，以及新的搜索策略和剪枝策略，提高算法的搜索效率，并且减少了对内存的占用。FIPT算法的特点是将概念格与FP-tree结合起来，通过使用本文提出的FP-tree的新操作方法提高概念格的更新效率，解决了批处理大量事务时的效率问题，而生成的概念格又可用于增量挖掘。对于项目序列的频繁模式挖掘，重点研究了其中的Web频繁访问路径挖掘问题，提出了基于网页模糊分类的Web事务识别方法，并在此基础上提出了一种挖掘频繁访问路径的高效混合式算法WDHP。WDHP算法继承了DHP算法使用hash树过滤候选集以及裁剪数据库的基本方法，当数据库被逻辑裁剪到一定程度时，便将数据库以FP-tree的方式存储于内存，并在内存中完成后继的挖掘，既减少了内存占用，又提高了算法的运行效率。对于时间序列的频繁模式挖掘，本文首先分析了时间序列子序列聚类方法中存在的问题，提出了一种基于小波滤波的聚类算法。在此基础上，进一步提出了基于小波滤波的时间序列频繁模式挖掘算法，Frequent-Wavelet算法。Frequent-Wavelet算法的基本原理是使时间序列通过多孔平滑滤波器组，然后对来自多个尺度序列的子序列进行聚类，从而将时间序列的频繁模式挖掘问题转化为项目序列的频繁模式挖掘问题。由于成功地解决了时间序列频繁模式挖掘中的平凡相似和时间轴伸缩问题，与同类算法相比，该算法能够更有效地发现时间序列中的频繁模式。

关键词：频繁模式挖掘 FP-tree 频繁访问路径小波变换

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：