Sep, 2023

发现基于效用的区间规则

PDF
TL;DR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。
high-utility sequential rule mininginterval-event sequencesutility-driven interval rule miningnumeric encoding relation representationcomplement pruning strategy
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 基于序列数据的快速实用程序挖掘算法 HUSP-SP

    通过引入紧凑的序列投影结构 (seqPro)，设计了一种高效算法 HUSP-SP 以解决高效用途的序列模式挖掘 (HUSPM) 中的时间和内存消耗问题，并采用新的上限值和剪枝策略来提高挖掘性能。

    Dec, 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

  • 扩展高效用模式挖掘：一种基于答案集编程的框架和应用

    本文提出了一种新的框架，可以支持新类别的实用准则，利用规则式语言如 ASP 对数据集进行分析，并且利用扩展函数快速有效地进行编码和测试。最后，本研究以 COVID-19 患者的 ICU 预测为例，通过大量实验结果展示了所提方法的有效性。

    Mar, 2023

  • 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