Dec, 2022

基于 MDL 的序列规则压缩

PDF
TL;DR本文通过最小描述长度 (MDL) 和两个度量标准来进行连续规则的压缩，提出了一种基于设计的连续规则编码方案的 MDL 压缩解决方案 ComSR。实验结果表明，该方法能够找到一组有效的、紧凑且有意义的连续规则，从而实现数据库的压缩，为降低存储空间和传输时间提供了有效的数据挖掘方法。
data miningsequential rule miningcompressionminimum description lengthstorage space
发现论文，激发创造
  • 面向目标的序列规则

    本文提出了一种高效算法（TaSRM）进行目标时序规则挖掘，并结合实验结果分析了它与现有算法在运行时间、内存消耗、可扩展性以及不同查询规则下的表现，证明了其比基线算法更具实验性能。

    Jun, 2022

  • 串行模式挖掘的子序列交错模型

    本文提出一种基于概率模型的新型子序列交织模型，利用 MDL 原则定义了一种编码方案，能够高效地挖掘最相关的顺序模式，并使用相关的趣味性度量对其进行排序，同时使用结构化的期望最大化框架进行有效的推断。实验结果表明该模型挖掘出的模式具有低的错误率和冗余性，并具有实际应用中的高解释性和实用性。

    Feb, 2016

  • 长短参半：用序列事件摘要串行情节

    本文介绍了一种针对序列数据的模式集挖掘方法，使用 MDL 原则编码序列数据，通过权重编码序列中的序列事件集以确定模式质量，通过两种算法进行模式挖掘，证明能够有效发现具有信息量的小模式集。

    Feb, 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

  • 关联序列规则研究

    该研究提出了一种称作相关高效序列规则挖掘器（CoUSR）的新算法，它融合了关联性概念到高效序列规则挖掘器（HUSRM）中，采用效用列表结构来避免多次数据库扫描，并使用多个修剪策略来提高算法效率和性能。实验结果表明，CoUSR 在计算时间和内存消耗方面是有效和高效的。

    Oct, 2022

  • SLMRec: 增强小型语言模型在顺序推荐任务中的能力

    本文通过在大规模行业数据集上进行广泛实验，发现大多数 LLMs 的中间层是多余的，并提出了一种名为 SLMRec 的基于小型语言模型的推荐模型，仅使用 LLM-based 推荐模型中 13% 的参数，同时在训练和推断时间成本上实现了高达 6.6 倍和 8.0 倍的加速。

    May, 2024

  • DELRec: 提炼序列模式以增强基于 LLM 的推荐

    提出了 DELRec 框架，通过两种策略提取 SR 模型展示的行为模式，从而帮助 LLMs 更有效地执行 SR 任务。在三个真实数据集上的广泛实验结果验证了 DELRec 框架的有效性。

    Jun, 2024

  • 一种基于句子压缩的框架用于查询焦点的多文档摘要

    本文提出了一个基于句子压缩技术的任务框架，通过基于解析树的一系列学习模型，设计一种创新的 Beam Search 解码器来高效地找到高概率压缩结果，将语言学动机和查询相关性融入压缩过程中，并在多项指标上显著优于最先进的系统，包括在 DUC 2006 和 2007 摘要任务中分别获得 ROUGE-2 指标上 8.0% 和 5.4% 的改进。

    Jun, 2016

  • 发现基于效用的区间规则

    我们提出了一个名为 UIRMiner 的算法，它可以从区间事件序列数据库中提取所有的效用驱动的区间规则（UIRs），并通过引入数值编码关系表示和补充剪枝策略来提高效率。

    Sep, 2023

  • 一种基于用户搜索日志数据的多任务学习方法，用于提高产品标题压缩

    本研究提出了一种新的多任务学习方法，利用用户搜索日志数据来提高产品标题压缩。采用指针网络序列到序列方法进行标题压缩，并采用关注机制的关注编码器解码器方法生成用户搜索查询。

    Jan, 2018