一种利用相关性度量的不确定数据频繁模式挖掘

发布时间：2021-10-26 05:00

　　大多数不确定数据库中频繁项集挖掘算法都是基于支持度的限制来剪枝组合搜索空间,因而得到关联性很弱的频繁项集并且对加权相关模式的挖掘效果不显著.本文针对加权不确定数据,提出一种新的策略:基于相关性度量的不确定数据频繁模式挖掘（UFPM-CM）.首先,本文采用一种新的树结构和一个针对树结构的新的度量来提高挖掘性能.其次,提出了新的不确定置信度度量来挖掘不确定数据库中的相关模式.最后,利用UFPM算法快速挖掘出相关性强的频繁模式.实验研究结果表明所提出的策略产生了较少但极具价值的模式且其效率优于同类算法. 

【文章来源】：小型微型计算机系统. 2019,40(03)北大核心CSCD

【文章页数】：5 页

【文章目录】：
1 引言
2 相关工作
3 相关描述和问题定义
4 本文算法
5 实验与分析
6 结论


【参考文献】：
期刊论文
[1]障碍空间中基于密度的不确定数据聚类算法[J]. 何云斌,王霄,万静,李松.  小型微型计算机系统. 2017(12)
[2]增量关联规则挖掘研究综述[J]. 张步忠,江克勤,张玉州.  小型微型计算机系统. 2016(01)
[3]基于时间衰减模型的不确定数据流聚类算法[J]. 屠莉,吴懋刚,杨立志.  小型微型计算机系统. 2014(09)
[4]面向不确定数据的概率阈值可见最近邻查询算法[J]. 刘文远,李承芳,陈子军.  小型微型计算机系统. 2013(08)
[5]不确定数据上范围受限的最近邻查询算法[J]. 刘文远,杜颖,陈子军.  小型微型计算机系统. 2012(06)



本文编号：3458879