《中国人工智能学会通讯》——12.8 序列模式挖掘趋势展望
12.8 序列模式挖掘趋势展望 近年来，数据挖掘会议和期刊中将模式与统计结合成为较热门的研究方向[47-49] ，通过统计方法对数据模式进行剪枝、判断模式的“有趣性”成为热点。例如，Nakagawa 等人[50]提出基于统计的安全剪枝规则对数据模式进行剪枝；Tatti [47] 提出的基于概率的划分模型 , 可以根据所预测的“有趣性”对无间隔的频繁情景模式进行排序。此外，在数据库会议和期刊中，面....
《中国人工智能学会通讯》——12.7 序列模式挖掘近似算法
12.7 序列模式挖掘近似算法 数据中通常蕴含大量的频繁模式。确定性算法能够挖掘出所有频繁的模式，具有最高的准确性，但通常会花费大量计算时间，并且消耗大量内存。而序列模式挖掘近似算法是适应大数据的另一种方式。但是，近似算法所挖掘的结果中却存在着误差。因此，错误误差的估计通常是近似算法重点关注的对象。其中，Manku 等人[41]提出的 LCA（LowestCommon Ancestors）算法.....
《中国人工智能学会通讯》——12.6 增量序列模式挖掘
12.6 增量序列模式挖掘 在动态更新的流式数据中进行数据挖掘的需求由来已久[34] ，对于序列模式挖掘来说，当数据发生少量更新时对全体数据重新进行挖掘是不可取的。因此，一些增量序列挖掘算法被提出以适应不断增长的数据，这类算法在更新迅速的大数据中显得十分重要。 Parthasarathy 等人[35]提出的 ISM 增量序列模式挖掘算法，基于 SPADE 算法进行扩展，以最小的 I/O 和计算代....
《中国人工智能学会通讯》——12.5 并行序列模式挖掘
12.5 并行序列模式挖掘 早期的并行序列模式挖掘算法大多被用于解决算法效率低下的问题。因此，许多并行算法是由其串行版本改进得到。例如，Zaki [28] 扩展了由他自己提出的 SPADE 算法，提出了在内存共享框架下的并行算法 pSPADE。pSPADE 的并行性主要来源于对垂直格式数据库的划分，这种划分既可以横向也可以纵向，最终实现了并行。采用了相似策略的算法还有 Par-ASP [29] ....
《中国人工智能学会通讯》——12.2 大数据环境下序列模式挖掘及应用
12.2 大数据环境下序列模式挖掘及应用 模式发现问题诞生于 1993 年[1] ，与分类、聚类和异常点检测并称为数据挖掘四大问题[2] 。它指的是从数据库找出频繁共现的“项”，被称为频繁模式。模式发现问题在数据挖掘领域地位重要，有大量关于模式发现的论文发表在重要数据挖掘、数据库会议。Google Scholar 记录的 Agrawal 等人[1]提出的经典模式发现算法 Apriori 的论文单....
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。