基于局部重构树的数据流频繁项集挖掘方法  

Mining Method for Frequent Itemsets in Data Streams with Local Reconstruction Tree

作　　者：王景兰[1] 丁丽[1] 孙慧婷[1] WANG Jinglan;DING Li;SUN Huiting(Department of Information Engineering,Bozhou Vocational and Technical College,Bozhou 236800,China)

机构地区：[1]亳州职业技术学院信息工程系,安徽亳州236800

出　　处：《新乡学院学报》2023年第3期22-25,共4页Journal of Xinxiang University

基　　金：安徽省高校人文社会科学重点研究项目(SK2021A0994);2020年安徽省高校人文科学研究项目(SK2020A0778);安徽省高校优秀青年人才支持项目(gxyq2022244);2020年度安徽省职业与成人教育学会教育教学规划课题(azcg25,azcg75);2020年亳州职业技术学院人文科学研究项目(BYK2029)。

摘　　要：针对传统的数据流频繁项集挖掘方法缺乏对事务数据的压缩,导致挖掘效率较低的问题,提出基于局部重构树的数据流频繁项集挖掘方法。通过构建局部重构树,对事务数据进行压缩,并对频繁项集数据进行滤波处理,调整支持度的最大值与最小值,实现对挖掘函数的构建与优化。利用对比实验对提出的方法进行了挖掘效率的验证,实验结果表明,在采用所提出的方法对数据流频繁项集进行挖掘时,算法执行耗时较少,挖掘效率较高,具有一定的应用价值。Aiming at the problem that the traditional data stream frequent itemset mining method lacks the compression of transaction data,which leads to low mining efficiency,a data stream frequent itemset mining method based on local reconstruction tree is proposed.By building a local reconstruction tree,transaction data is compressed.Frequent itemset data is filtered,and the maximum and minimum values of support are adjusted to build and optimize the mining function.The efficiency of the proposed method is verified through comparative experiments.The analysis of experimental results shows that the proposed method takes less time to execute and has higher mining efficiency when mining frequent itemsets of data streams,which has certain application value.

关 键 词：局部重构树 数据流 频繁项集 最小支持度 

分 类 号：TP311.13[自动化与计算机技术—计算机软件与理论]