基于流事务上下文变异分析 (CVA) 的可变窗口大小 (VWS) 数据流频繁项集挖掘 (MFI)
数据库
2014-08-15 v1
摘要
本研究论文解决了在可变窗口大小和低内存空间条件下挖掘数据流中频繁项集的挑战。为了检测流事务中上下文变化的变异点，我们开发了一种两级窗口结构，支持即时固定窗口大小，控制加入窗口的事务间的异质性并确保其同质性。为了最小化内存占用、降低计算成本并提高过程可扩展性，该设计允许在窗口级别固定覆盖率或支持度。本文介绍了一种从窗口增量挖掘频繁项集的方法以及一种上下文变异分析方法。我们在本文中展示的完整技术命名为“利用上下文变异分析固定可变窗口大小的频繁项集挖掘”(MFI-VWS-CVA)。在特定项集中，频繁项集与非频繁项集之间存在明确界限。在本设计中，我们利用窗口大小的变化来表示信息流中的概念漂移。换言之，每当无法有效设置窗口大小时，该项集将被视为非频繁项集。我们执行并记录的实验证明，所设计的算法比现有算法效率更高。
引用
@article{arxiv.1408.3175,
title = {Mining Frequent Itemsets (MFI) over Data Streams: Variable Window Size (VWS) by Context Variation Analysis (CVA) of the Streaming Transactions},
author = {V. Sidda Reddy and Dr. T. V. Rao and Dr. A. Govardhan},
journal= {arXiv preprint arXiv:1408.3175},
year = {2014}
}