本文讨论了如何通过用户反馈学习模式的质量函数,并提出了使用更复杂的直接从模式排名派生的特征来替代现有方法中的低级特征,以及如何将多样性约束纳入交互式挖掘系统中。实验结果表明,在参数选择和特征工程方面的优化会提高挖掘算法的性能。
Apr, 2022
本文提出了一种新的通过模式采样和互动数据挖掘相结合的方法 - LetSIP 算法来解决模式挖掘中的冗余问题,并利用用户反馈直接学习代表用户兴趣的采样分布的参数,该方法在模式挖掘中表现出速度更快、效果更好的优势。
Feb, 2017
通过数据挖掘和约束编程技术,改进了序列模式挖掘中计算问题的模块,使用可通用的约束求解器,加快了计算速度并提高了挖掘效率。
Apr, 2016
该论文介绍了在模式挖掘中,使用投影反单调性和 θ−Σοφια 算法可以有效生成满足非单调限制条件的最佳模式,并利用稳定性和 Δ- 度量应用于区间元组数据集,计算最佳模式,并显示其优势。
Jun, 2015
提出了基于多值决策图表示法的约束序列模式挖掘技术,可以适应多个项目属性和各种约束类型,包括一些非单调约束。通过开发一个基于 MDD 的前缀投影算法,可以将其应用性进行评估,并与典型的生成检查变体以及最先进的基于约束的序列模式挖掘算法进行性能比较,结果表明我们的方法在可伸缩性和效率方面与其他方法相当或优于其他方法。
Nov, 2018
本研究采用约束编程 (CP) 技术,探讨在序列数据库中建模和挖掘顺序模式的方法。实验证明了我们的 CP 方法的可行性和实用性。
Nov, 2013
本文提出一种基于投影数据库原则的全局约束来解决约束编程方法的不足,实验结果表明该方法在大型数据集上表现优异,明显优于约束编程方法并且可以与特定方法竞争。
Apr, 2015
提出了一种新的理论框架,通过测量项集的属性(如闭合性或不可导性)的稳健性来进行模式压缩,以减少模式挖掘中的模式爆炸问题,并演示了如何在不抽样数据的情况下分析地计算稳健性。
Feb, 2019
通过系统的约束求解器的黑盒方案,结合搜索空间的统一探索,我们提出了一种新的采样技术,可以克服采样过程中的诸多困难,形成了自然的近似模型计数技术。
Oct, 2012
利用鲁棒的学习算法,我们研究了如何适应任意目标函数的采样分布以寻找良好的局部最优解。我们的研究结果表明,我们的自适应采样器可以为实践中出现的组合优化问题提供有效的解决方案。
Feb, 2018