基于全局图遍历的加权频繁模式挖掘算法

• 论文 •

基于全局图遍历的加权频繁模式挖掘算法

耿汝年，董祥军，须文波

1.江南大学信息工程学院，江苏无锡214122；2.山东轻工业学院信息科学与技术学院, 山东济南250353

出版日期:2008-06-15 发布日期:2008-06-25

Weighted frequent patterns mining algorithm based on global graph traversals

GENG Ru-nian， DONG Xiang-jun， XU Wen-bo

1.School of Information Technology, Jiangnan University, Wuxi 214122, China; 2.School of Information Science & Technology, Shandong Institute of Light Industry, Jinan 250353, China

Online:2008-06-15 Published:2008-06-25

摘要/Abstract

摘要： 为解决加权遍历模式挖掘问题，提出了一种从边加权有向图到顶点加权有向图的变换模型。基于该模型，提出了基于全局图遍历加权频繁模式挖掘算法。在该算法中，利用图全局拓扑信息评估遍历模式的加权支持度，将剪枝问题转化为模式可扩展性问题，进而利用可扩展模式的向下闭合特性产生候选模式集。实验结果表明，该算法是一个高效的基于图遍历的加权频繁模式挖掘算法。

关键词: 数据挖掘, 加权有向图, 遍历模式, 频繁模式, 支持度界

Abstract: A transformation model from Edge-Weighted Directed Graph (EWDG) to Vertex-Weighted Directed Graph (VWDG) was proposed to solve the problem of weighted traversal pattern mining. Based on this model, a new algorithm called Global Graph Traversals-based Weighted Frequent Patterns Miner (GGTWFPMiner) was presented. This algorithm evaluated traversal patterns' weighted support by the global topology of graph, and converted patterns' pruning problem into corresponding patterns' scalability problem, and then generated candidate sets of patterns by using the downward closure property between scalable patterns. Experimental results showed that GGTWFPMiner was an effective weighted frequent patterns mining algorithm based on graph traversals.

Key words: data mining, weighted directed graph, traversal patterns, frequent patterns, support bound

中图分类号:

TP311

耿汝年,，董祥军，须文波 . 基于全局图遍历的加权频繁模式挖掘算法[J]. .

GENG Ru-nian,， DONG Xiang-jun， XU Wen-bo . Weighted frequent patterns mining algorithm based on global graph traversals[J]. .

[1]	田钰. 基于多元特征感知网络的高考成绩预测[J]. 计算机集成制造系统, 2021, 27(9): 2741-2748.
[2]	王春雨,蒋祖华,王福华,吉永军,江辉. 面向工业软件开发的半结构化知识语义检索方法[J]. 计算机集成制造系统, 2021, 27(8): 2371-2381.
[3]	朱永国,邓斌,霍正书,马国祥. 检测数据和专家知识混合驱动的小样本飞机结构件装配粗差判定[J]. 计算机集成制造系统, 2021, 27(12): 3462-3474.
[4]	张忠平,邱敬仰,刘丛,朱梦凡,章德斌. 基于聚类离群因子和相互密度的离群点检测算法[J]. 计算机集成制造系统, 2019, 25(第9): 2314-2323.
[5]	刘颖超,胡小锋,刘梦湘. 多工序下刀具磨损的不完备信息系统数据挖掘[J]. 计算机集成制造系统, 2019, 25(第5): 1055-1061.
[6]	刘海滨,刘国华,黄立明,王颖. 基于Artifact感知的服务组合模式挖掘方法[J]. 计算机集成制造系统, 2016, 22(第2期): 312-323.
[7]	焦磊,刘晓军,刘庭煜,倪中华. 一种面向生产调度规则挖掘的数据离散化方法[J]. 计算机集成制造系统, 2016, 22(第1期): 257-264.
[8]	周斌,徐文胜. 动车组故障诊断知识挖掘中改进的并行频繁模式增长算法[J]. 计算机集成制造系统, 2016, 22(第10期): 2450-2457.
[9]	仝鹏,刘子先,门峰,曹立思. 基于模糊粗糙集的二维延伸性汽车产品保证成本数据挖掘[J]. 计算机集成制造系统, 2014, 20(12): 3189-3202.
[10]	米允龙,姜麟,米春桥. MapReduce环境下的否定粗糙关联规则算法[J]. 计算机集成制造系统, 2014, 20(11): 2893-2903.
[11]	马柏樟, 颜志军. 基于潜在狄利特雷分布模型的网络评论产品特征抽取方法[J]. 计算机集成制造系统, 2014, 20(1): 96-.
[12]	段桂江,严懿,王洋. 基于数据挖掘的质量成本分析与控制[J]. 计算机集成制造系统, 2013, 19(07 ): 1692-1703.
[13]	王洁，戴清灏，曾宇，杨东日. 云制造环境下并行频繁模式增长算法优化[J]. , 2012, 18(09): 0-0.
[14]	翟敬梅，应灿，徐晓. 知识建模和数据挖掘融合的粗糙度预测新方法[J]. , 2012, 18(05): 0-0.
[15]	李山，石源，刘红军. 基于ART2网络的三维模型聚类分析方法[J]. , 2011, 17(09): 0-0.