暂无评论
基于fp树的全局最大频繁项集挖掘算法
Fpmming frequent item set mining maximal frequent item set mining
Frequent subgraph discovery of association rule mining
Gspan frequent subgraph mining algorithm
对FP-Tree的资源挖掘算法提出来相应的更新算法，对了解FP-Tree算法的人有一定的帮助，代码部分是伪代码。
利用有向项集图来存储事务数据库中有关频繁项集的信息，提出了有向项集图的三叉链表式存储结构和基于有向项集图的最大频繁项集挖掘算法。它不仅实现了事务数据库的一次扫描，减少了I/O代价，而且可以同时解决好稀
针对FP-growth算法时空效率低的问题,提出了改进的FP-tree构造算法。该算法利用动态结点插入技术构造FP-tree,能有效减小模式树的宽度,达到压缩空间的目的;同时,该算法提高了前缀路径的共
针对现有的最大频繁项集挖掘算法挖掘时间过长、内存消耗较大的问题，提出了一种基于构造链表B-list的最大频繁项集挖掘算法BMFI。该算法利用B-list数据结构来挖掘频繁项集，并采用全序搜索树作为搜
提出了基于频繁项集的最大频繁项集（BFI-DMFI）和频繁闭项集挖掘算法（BFI-DCFI）。BFI-DMFI算法通过逐个检测频繁项集在其集合中是否存在超集确定该项集是不是最大频繁项集；BFI-DCF
图挖掘已成为数据挖掘领域研究的热点，然而挖掘全部频繁子图很困难且得到的频繁子图过多，影响结果的理解和应用。可通过挖掘最大频繁子图来解决挖掘结果数量巨大的问题，最大频繁子图挖掘得到的结果数量很少且不丢失
如何从大量的图中挖掘出令人感兴趣的子图模式已经成为数据挖掘领域研究的热点之一。传统的频繁子图挖掘方法对满足最小支持度阈值的子图同等对待，但在真实数据库中不同的子图往往具有不同的重要程度。为解决上述问题
频繁子图挖掘的说明
用于频繁子图的挖掘算法,目前效率基本是高于gindex的两倍
1993年AGRAWAL R等人提出了一个重要的反映大规模数据中项目集之间有趣的关联或相关联系的研究课题[1],找出属性间有价值的关系,即关联规则的研究。频繁项集的挖掘是获取关联规则不可或缺的步骤。但
随着社交网络用户数的快速增加 , 大规模单图上频繁子图挖掘的需求越来越强烈 .单机算法对大规模图的运行效率较低 , 难以支撑支持度较低的频繁子图的挖掘 ; 现有的分布式环境下单图的频繁子图挖掘算法不支
暂无评论