ارائه الگوریتم جدید برای دنباله های ترتیبی جهت فشرده سازی آنها در فرآیند کاوش

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 614

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CITCONF02_600

تاریخ نمایه سازی: 19 اردیبهشت 1395

چکیده مقاله:

داده کاوی فرآیند کشف الگوهای معتبر، جدید، مفید و قابل درک است. می توان گفت داده فرآیندی است که طی آن با استفاده از ابزارهای تحلیل داده به دنبال کشف الگوها و ارتباط میان داده های موجود که ممکن است منجر به استخراج اطلاعات جدیدی از پایگاه داده گردند می باشد. دو مثال از الگوی ترتیبی عبارتند از: 80% مشتریانی که تلویزیون می خرند، در همان روز دوربین هم خواهد خرید، هر بار که سهام شرکت مایکروسافت پنج در صد کاهش یابد، سهام IBM هم در خلال سه روز چهار در صد کاهش خواهد یافت. الگوی اولی کمک می کند که مدیریت قفسه فروشگاه ها به خوبی انجام دهیم با الگوی دومی به شرکت کمک می کند دوران اقتصادی به درستی عمل کند. در این پژوهش ابتدا مروری را بر الگوریتم ها و استخراج الگو را انجام داده ایم و براساس ترتیب تاریخی ارائه الگوریتم ها و آنها را مورد بررسی قرار دادیم. این الگوریتم ها خود در دو دسته بر اساس Apriori و بر اساس FP-Growth تقسیم می شوند. سپس با الگوریتم پیشنهاد شده GoKrimp و SeqKrimp را با استفاده از اصل حداقل طول توصیف کمینه، یعنی الگوهای مفیدند که بیشتر پایگاه داده را فشرده می کنند، را معرفی نمودیم پس از آن روش پیشنهادی خود را معرفی کرده و نام آن را newKrimp گذاشتیم و نتایج را به سوی پایگاه داده های استاندارد مشاهده نمودیم.

نویسندگان

زهره نقیب

دانشجوی کارشناسی ارشد، گروه کامپیوتر، دانشگاه آزاد واحد سیرجان، سیرجان، ایران

محمود دی پیر

گروه مهندسی کامپیوتر، هیئت علمی موسسه آموزش عالی پارسیان، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • U.M.Fayyad, G. Piatesky -Shapiro .P.Smyth, and R.Uthurusamy. Advances in Knowledege ...
  • R.Agrawal and R.Srikant Mining sequential patterns. In Proceeding of International ...
  • T.L.Bailey and C.Elkan. Fitting a mixture model by expectation maximization ...
  • E. Eskin and P Pevzner. Finding composite regulatory patterns in ...
  • R.Agrawal and R.Srikant Fast algorithms for mining association rules. In ...
  • _ M. Klemettinen, H. Mannila, P. Ronkainen, H. Toivonen, and ...
  • M. J. Zaki. Spade: An efficient algorithm for mining frequent ...
  • J. Ayres, J. Gehrke, T.Yiu, and J.Flannic, Sequential pattern mining ...
  • J. Pei, J.Han, B. Mortazavi-Asl, J.Wang, H. Pinto, Q.Chen, U.Dayal, ...
  • R. Srikant and R. Agrawal. Mining sequential patterns: General izations ...
  • J. S. Park, M.S. Chen, and P.S.Yu. An effective hash-based ...
  • Vreeken, J., van Leeuwen, M. and Siebes, A. Krimp: Mining ...
  • Peter Gr:unwald. The Minimum Description Length Principle. The MIT Pres ...
  • Lam, Hoang Thanh, Fabian Morchen, Dmitriy Fradkin, and Toon Calder, ...
  • Moerchen, F., Thies, M., Ultsch, A.: Efficient mining of all ...
  • D.A. Huffman. A Method for the Construction of M inimum ...
  • نمایش کامل مراجع