带负项值的onshelf效用项集并行挖掘算法

doi:10.3969/j.issn.10062475.2018.04.003

计算机与现代化

带负项值的onshelf效用项集并行挖掘算法

(福州大学数学与计算机科学学院，福建福州350116)

出版日期:2018-04-28 发布日期:2018-05-02
作者简介:陈丽娟(1993)，女，福建莆田人，福州大学数学与计算机科学学院硕士研究生，研究方向：数据挖掘; 通信作者：谢伙生(1964)，男，副教授，硕士，研究方向：数据挖掘，图形图像处理。
基金资助:
福建省自然科学基金资助项目(2014J01229)

A Parallel Algorithm for Mining onshelf Utility Itemset with Negative Item Values

(College of Mathematics and Computer Science, Fuzhou University, Fuzhou 350116, China)

Online:2018-04-28 Published:2018-05-02

摘要/Abstract

摘要： 为了提高带负项值的onshelf效用项集挖掘算法的挖掘效率，提出带负项值的onshelf效用项集并行挖掘算法DTPHoun，算法基于MapReduce框架，充分利用其onshelf时间段因素，将原始事务数据库按照时间段进行分片。算法将挖掘过程转化为MapReduce工作，Map阶段在分片数据库中挖掘候选项集，Reduce阶段并行计算候选项集的onshelf效用值。实验结果表明，算法取得了较高的挖掘效率。

关键词: , 效用项集挖掘, onshelf时间段, MapReduce, 负项值

Abstract: In order to improve the mining efficiency of the onshelf utility itemset mining algorithms with negative item values, the paper proposed a parallel algorithm for mining onshelf utility itemset with negative item values named DTPHoun (distributed TPHoun algorithm). Based on MapReduce, the algorithm divides the database according to the onshelf time periods. The algorithm transforms the mining work into MapReduce job, the Map phase to mine candidates in database fragments, and the Reduce phase to calculate the onshelf utility values of the candidates in parallel. The experimental results show that the DTPHoun algorithm has a good performance.

Key words: utility itemset mining, onshelf time periods, MapReduce, negative item values

中图分类号:

TP311.13

陈丽娟，谢伙生. 带负项值的onshelf效用项集并行挖掘算法[J]. 计算机与现代化, doi: 10.3969/j.issn.10062475.2018.04.003.

CHEN Lijuan, XIE Huosheng. A Parallel Algorithm for Mining onshelf Utility Itemset with Negative Item Values[J]. Computer and Modernization, doi: 10.3969/j.issn.10062475.2018.04.003.

参考文献

［1］ Liu Junqiang, Wang Ke, Fung B C M. Mining high utility patterns in one phase without generating candidates［J］. IEEE Transactions on Knowledge and Data Engineering, 2016,28(5):12451257.
［2］ Jin Jue, Wang Shui. Rup/Frupgrowth: An efficient algorithm for mining high utility itemsets［J］. Procedia Engineering, 2017,174:895903.
［3］ Krishnamoorthy S. Pruning strategies for mining high utility itemsets［J］. Expert Systems with Applications, 2015,42(5):23712381.
［4］ Zida S, FournierViger P, Lin Chunwei, et al. EFIM: A fast and memory efficient algorithm for highutility itemset mining［J］. Knowledge & Information Systems, 2017,51(2):595625.
［5］ Chu C J, Tseng V S, Liang T. An efficient algorithm for mining high utility itemsets with negative item values in large databases［J］. Applied Mathematics and Computation, 2009,215(2):767778.
［6］〖KG-*2〗〖ZK(#〗FournierViger P. FHN: Efficient mining of highutility itemsets with negative unit profits［C］// Proceedings of the 10th International Conference on Advanced Data Mining and Applications. 2014:1629.
［7］ Lin Chunwei, FournierViger P, Gan Wensheng. FHN: An efficient algorithm for mining highutility itemsets with negative unit profits［J］. KnowledgeBased Systems, 2016,111:283298.
［8］ Lan Guocheng, Hong T P, Tseng V S. Discovery of high utility itemsets from onshelf time periods of products［J］. Expert Systems with Applications, 2011,38(5):58515857.
［9］ Lan Guocheng, Hong T P, Huang J P, et al. Onshelf utility mining with negative item values［J］. Expert Systems with Applications, 2014,41(7):34503459.
［10］FournierViger P, Zida S. FOSHU: Faster onshelf high utility itemset mining with or without negative unit profit［C］// Proceedings of the 30th Annual ACM Symposium on Applied Computing. 2015:857864.
［11］李伟卫,赵航,张阳,等. 基于MapReduce的海量数据挖掘技术研究［J］. 计算机工程与应用, 2013,49(20):112117.
［12］AlHamodi A A G, Lu Songfeng. MapReduce frequent itemsets for mining association rules［C］// Proceedings of the 2016 International Conference on Information System and Artificial Intelligence. 2016:281284.
［13］〖JP3〗董新华,李瑞轩,周湾湾,等. Hadoop系统性能优化与功能增强综述［J］. 计算机研究与发展, 2013,50(S2):115. 
［14］杜江,张铮,张杰鑫,等. MapReduce并行编程模型研究综述［J］. 计算机科学, 2015,42(S1):537541.
［15］宋杰,孙宗哲,毛克明,等. MapReduce大数据处理平台与算法研究进展［J］. 软件学报, 2017,28(3):514543.
［16］Liu Ying, Liao Weikeng, Choudhary A N. A twophase algorithm for fast discovery of high utility itemsets［C］// Proceedings of the 9th PacificAsia Conference on Advances in Knowledge Discovery and Data Mining. 2005:689695.
［17］〖JP3〗FournierViger P, Gomariz A, Lam H, et al. SPMF: Opensource Data Mining Platform［EB/OL］. http://www.philippefournierviger.com/spmf, 20170920.

[1]	李静元, 张珂, 杨东裕. 基于雾计算的工业互联网安全数据访问方法[J]. 计算机与现代化, 2022, 0(12): 118-122.
[2]	陈春燕, 刘梦赤. 基于粒子群遗传算法的智能组卷策略[J]. 计算机与现代化, 2021, 0(08): 16-23.
[3]	宋鑫, 樊志强, . 基于Laguerre 前向神经网络的信息服务性能建模方法 [J]. 计算机与现代化, 2021, 0(03): 1-6.
[4]	魏健, 赵红涛, 刘敦楠, 加鹤萍 . 基于集成模型的超短时负荷预测方法[J]. 计算机与现代化, 2021, 0(03): 12-17.
[5]	石慧1，陈恩2. Spark平台的分布式阶段自适应关联规则挖掘算法[J]. 计算机与现代化, 2019, 0(12): 31-.
[6]	宋阳，石鸿雁. 基于MapReduce框架下的K-means聚类算法的改进[J]. 计算机与现代化, 2019, 0(08): 28-.
[7]	段桂芹1，邹臣嵩2，刘锋2. 基于优化初始聚类中心的K中心点算法[J]. 计算机与现代化, 2019, 0(04): 1-.
[8]	李富星，蒙祖强 . 一种改进的类别区分词特征选择算法[J]. 计算机与现代化, 2019, 0(03): 73-.
[9]	白晓波1，邵景峰1，和征1，田建刚2. 基于学习的核偏最小二乘法优化扩展卡尔曼滤波[J]. 计算机与现代化, 2018, 0(09): 110-.
[10]	郑亚鹏，樊璐. 基于LSTM的临床血液需求预测方法[J]. 计算机与现代化, 2018, 0(05): 41-.
[11]	刘德春1，张秀国2，姜微2. 基于马尔科夫链的大学生自主学习能力预测方法[J]. 计算机与现代化, 2018, 0(05): 106-.
[12]	夏琨1，丁波1，刘俊1，刘子豪1，林亮成2. 基于内容分析的网络协议指纹识别[J]. 计算机与现代化, 2018, 0(05): 121-.
[13]	李华，江峰，于旭，杜军威，刘国柱. 基于粒度决策熵的属性约简[J]. 计算机与现代化, 2018, 0(04): 7-.
[14]	吴克介,王家伟. 基于知网与搜索引擎的词汇语义相似度计算[J]. 计算机与现代化, 2018, 0(04): 90-.
[15]	张春,周静. 动车组故障关联规则挖掘优化算法研究与应用[J]. 计算机与现代化, 2017, 0(9): 74-78.

带负项值的onshelf效用项集并行挖掘算法

A Parallel Algorithm for Mining onshelf Utility Itemset with Negative Item Values

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价