Aug, 2022

具有残差度量的时间模糊效用最大化

PDF
TL;DR本研究提出了一种名为 TFUM 的新型一阶暂态模糊效用项集挖掘方法，该方法在内存中维护不多但重要的有关潜在高暂态模糊效用项集的信息，然后在较短时间内发现一组完整且真正有趣的模式。实验证明，该方法在运行时间、内存使用率和可扩展性方面优于现有算法。
temporal datahigh utility itemset miningfuzzy utility itemset miningremaining measureefficiency
发现论文，激发创造
  • 面向目标高效能项集的研究

    本文提出了一种名为 THUIM 的新型基于列表的算法和匹配机制，以快速匹配挖掘过程中的高效用途项集，以选择目标模式，相对于已提出的算法，THUIM 在运行时间和内存消耗方面表现良好，并具有良好的可伸缩性。

    Jun, 2022

  • 基于序列效用占用度量的序列效用最大化

    提出了一种考虑高效挖掘序列数据中高效利用率和低占用率的新算法 SUMU，通过设计数据结构 UOL-Chain 和 UO-Table 提高了算法的效率。

    Dec, 2022

  • 基于个性化阈值的多序列效用挖掘

    该研究设计了一种新的实用性挖掘框架，名为 USPT，旨在通过个性化阈值跨多个序列挖掘高效能序列模式，并开发了几个修剪策略以提高效率。

    Dec, 2019

  • 利用相关度量进行项集效用最大化

    本研究提出一种名为 CoIUM 的新算法，采用了数据库投影机制来减少数据库扫描成本，并利用两个上界和四种修剪策略，以有效修剪搜索空间，使用线性时间和空间计算和存储采用的上限，大量实验结果表明 CoIUM 在运行时间和内存消耗方面显著优于现有算法，是高效挖掘相关高效用项集的有效算法。

    Aug, 2022

  • 一种通用的 Top-k 货架效用挖掘算法

    本研究提出了一个名为 TOIT 的通用算法，基于售货期数据集提出了一种新的策略来提高最小实用值 minutil，并采用子树实用和本地实用的剪枝技术来缩小搜索空间，以提高挖掘效率和减少内存消耗，从而比其他算法获得更好的性能。

    Aug, 2022

  • 基于投影的序列数据效用挖掘

    本研究提出了一种高效的基于投影的 ProUM 方法来挖掘时间序列数据中的高效序列模式，并应用新的上界命名序列扩展效用及几个剪枝策略来优化效率，实验结果表明，该算法相对于现有算法在执行时间、内存使用和可伸缩性等方面明显优异。

    Apr, 2019

  • 用于效用最大化的全序列规则

    本文提出了两种新算法 TotalSR 和 TotalSR+，用于发现所有高效用的有序序列规则。实验结果证明，TotalSR 相对于具有较少剪枝策略的算法显着更高效，TotalSR + 相对于 TotalSR 在运行时间和可伸缩性方面显着更高效。

    Sep, 2022

  • TKUS：挖掘 Top-K 高效顺序模式

    本文提出了 TKUS 算法用于解决 top-k HUSPM 问题，该问题是指在序列式数据库中寻找在最小效用阈值下，所有具有高效用的子序列，并且相比于目前最先进算法 TKHUS-Span，实验结果表明 TKUS 可以取得等效甚至更好的表现。

    Nov, 2020

  • 基于效用的模式挖掘综述

    该综述论文旨在提供一种对效用矿山（UPM）的综合和有结构的概述，包括其概念，方法和现有的高效用模式，采用的技术和算法等，同时考虑其高影响应用的实际挑战和开放问题。

    May, 2018

  • 基于相关公用事业的模式挖掘

    本研究提出了一种高效挖掘非冗余相关高效模式的算法，该算法考虑了积极相关性和利润价值，得出具有高效益和强积极相关性的模式，进一步改进了实用信息的收集，实验结果表明该算法的有效性和效率显著优于现有的算法。

    Apr, 2019