View
96
Download
8
Category
Preview:
DESCRIPTION
به نام خداوند جان و خرد. الگوکاوي در پايگاههاي تراکنش بسيار بزرگ با استفاده از رويکرد تقسيم وحل Frequent Pattern Mining on Very Large Transaction Databases Using Divide-and-Conquer Approach. دانشگاه صنعتي اميرکبير دانشکده مهندسي کامپيوتر. دانشجو: محمد کريم سهرابي 84131906 - PowerPoint PPT Presentation
Citation preview
الگوکاوي در پايگاه هاي تراکنش بسيار بزرگ با استفاده از رويکرد تقسيم
وحلFrequent Pattern Mining on Very Large
Transaction Databases Using Divide-and-Conquer Approach
دانشجو: محمد کريم سهرابي84131906
استاد راهنما: احمد عبداله زاده بارفروش )استاد(
دانشگاه صنعتي اميرکبير
دانشکده مهندسي کامپيوتر
1391ارديبهشت
به نام خداوند جان و خرد
فهرست مطالبتعريف مسالهرهيافت هاي جاري براي حل مسالهكارهاي مرتبط رويكرد بيتي در بسترسازي براي حل مساله الگوكاوي الگوكاوي سريال )افقي- عمودي از پايين به باال- عمودي
از باال به پايين( الگوكاوي موازي كاوش الگوهاي بسيار بزرگ با گذر از الگوهاي كوچك و
متوسطنتيجه گيري و كارهاي آيندهمراجع
فهرست مطالبتعريف مسالهرهيافت هاي جاري براي حل مسالهكارهاي مرتبط رويكرد بيتي در بسترسازي براي حل مساله الگوكاوي الگوكاوي سريال )افقي- عمودي از پايين به باال- عمودي
از باال به پايين( الگوكاوي موازي كاوش الگوهاي بسيار بزرگ با گذر از الگوهاي كوچك و
متوسطنتيجه گيري و كارهاي آيندهمراجع
4
تعريف مسالهالگو
مدل مشخصي از داده در پايگاه تراكنش )پايگاهداده(
مجموعه داده، هاساختارهای گوناگونی از داده( )... G،رشته، گراف
انواع الگوهاي مهم
مجموعه آيتم ها توالي هاگراف ها
5
تعريف مسالهمجموعه آيتم ها
I مجموعه همه آيتم هاي داده اي به كاررفته در پايگاه :تراكنش
مثال: در پايگاه داده فروشگاه: }نان، پنير، خامه، تخم= I مرغ{
مجموعه آيتم(itemset) هر زير مجموعه :X Iاز
}مثال: }نان، پنير X=
},...,,{ 21 miiiI
nn jjjjjj iiiiiiX ...},...,,{2121
6
تعريف مسالهتراكنش
:يك چندگانه به فرم تراكنشT=(tid, X)tidGشماره تراكنش :Xيك مجموعه آيتم :
تراكنش شامل مجموعه آيتمY : تراكنشT=(tid, X) كه در آن
:مجموعه چند تراكنشپايگاه تراكنش مجموعه پشتيباني تراكنشX (D(X)) : مجموعه
Xشماره سطرهاي تراكنش هاي شامل Sup(X) : تعداد تراكنش هاي موجود در مجموعه
Xپشتيباني
XY
|)}()),((|),{(|)( YXTDBYtidYtidXSUP
7
تعريف مسالهتراكنش
تراكنشفروشگاه با سه پايگاه تراكنش مثال: نمونه
شامل مجموعه آيتم }پنير{ 3 و 1تراكنش هاي شامل مجموعه آيتم }پنير، خامه{ 1تراكنش :}{1,3} مجموعه پشتيباني }پنير
tidItemsetپنير، خامه، نان1 تخم مرغ2نان، پنير3
8
تعريف مساله(frequency)تكرارشوندگي
آستانه زيربري(minsup) :حد آستانه مورد نظر كاربر :مجموعه آيتم مجموعه آيتم تكرارشوندهXبا شرط
مثال: به ازايminsup = 2پنير{: تكرارشونده{)پنير، خامه{: ناتكرارشونده )تكرارناشونده{
و الگوبه كار بردن واژه هاي به جاي هم در ارائهمجموعه آيتم
supmin)( XSUP
9
تعريف مساله(closed Pattern)الگوهاي بسته
: عدم وجود ابر الگويي از الگو با همان الگوي بستهمجموعه پشتيباني
مثال: }پنير{: الگوي نابسته{ :}پنير{ ه پشتيبانيG3و 1مجموع }{ :}{3و 1مجموعه پشتيباني }پنير، نان
مثال: }نان، پنير{: الگوي بسته
:الگوي تكرارشونده و بستهالگوي تكرار شونده بسته مثال: }نان، پنير{: الگوي تكرارشونده بسته بر اساس
minsup=2 مثال: }خامه، پنير{: الگوي ناتكرارشونده بسته بر
minsup=2اساس
10
تعريف مسالهفرضيات مساله
كاوش الگوهاي تكرارشونده از پايگاهي)مثال: تراكنش هاي هم جنس از
تراكنش هاي فروش(
غير قطعي عدم وجود داده هاي خراب ودر پايگاه تراكنش
عدم تغيير و به روزرساني پايگاه تراكنشدر زمان الگوكاوي
فهرست مطالبتعريف مسالهرهيافت هاي جاري براي حل مسالهكارهاي مرتبط رويكرد بيتي در بسترسازي براي حل مساله الگوكاوي الگوكاوي سريال )افقي- عمودي از پايين به باال- عمودي
از باال به پايين( الگوكاوي موازي كاوش الگوهاي بسيار بزرگ با گذر از الگوهاي كوچك و
متوسطنتيجه گيري و كارهاي آيندهمراجع
12
رهيافت هاي جاري براي حل مسالهکاوش مجموعه آيتم هاي تكرارشونده
مجموعه آيتم I، 2^dموجود در آيتم dبه ازاي روش سردستي (Naïve)
ساخت همه مجموعه آيتم هاي ممكنتراکنش هاي موجود در پايگاه تراکنش همه با مقايسه آنها بر مجموعه آيتم مزبورمشتملتعداد تراکنش هاي شمارش تكرارشونده مجموعه آيتم هايمشخص نمودن
وعه آيتم هانماييمرتبهGتعداد مجم در آيتمهزارانامکان وجود Gمورد Gپايگاه تراکنش
استفاده
13
رهيافت هاي جاري براي حل مساله{A, B, C, D, E} آيتم 5شبکه اي از همه مجموعه آيتم هاي ممکن به ازاي
مثالي از شبکه بندي زيرمجموBعه اي
A B C D E
AB AC AD AE BC BD BE CD CE DE
ABC ABD ABE ACD ACE ADE BCD BCE BDE CDE
ABCD ABCE ABDE ACDE BCDE
ABCDE
null
14
رهيافت هاي جاري براي حل مسالهانواع روش هاي كاوش بر اساس رويكرد
جستجو الگوريتم هاي اول سطح(Apriori)
شروع ازGنود راس شبکه مجموعه آيتم هاي کانديدتوليد Gهر سطح از مجموعه
آيتم هاي تكرار شونده سطح قبل ت تكرار شوندگيGآيتم هاي کانديدتس Gهر سطحمجموعه
الگوريتم هاي اول عمق(FP-Growth)ساخت درخت آيتم ها بر اساس پايگاه تراكنشجستجوي عمقي درخت
15
رهيافت هاي جاري براي حل مساله اصلApriori
عدم وجود ابرالگوي تكرارشونده از يک الگوي ناتكرارشونده الگوريتمApriori :
)يافتن الگوهاي تكرار شونده يك آيتمي )آيتم هاي تكرار شونده كانديد تكرارشوندگي ساخت مجموعه الگوهايk آيتمي از روي
آيتمي(k-1)مجموعه الگوهاي تكرار شونده تست تكرارشوندگي آنها با پويش پايگاه تراكنش
:Gيافتن مجموعه آيتم هاي تكرارشونده در پايگاه تراکنش مثالS=3 و با حد آستانه (TDB)زير
L1 مجموعه همه مجموعه :آيتمهاي تكرارشونده تک آيتمي
L1={a, b, c, f, m, p}
TidItemsets100f, a, c, d, g, i, m, p
200a, b, c, f, l, m, o
300b, f, h, g, o
400b, c, k, s, p
500a, f, c, e, l, p, m, n
16
رهيافت هاي جاري براي حل مساله
C2={ab,ac,af,am,ap,bc,bf,bm,bp,cf,cm,cp,fm,fp,mp}L2={ac, af, am, cf, cm, fm}C3={acf, acm, afm}L3={acf, acm, afm}
C4}{= L4}{=
TidItemsets(ordered) Frequent Itemsets100f, a, c, d, g, i, m, pa, c, f, m, p
200a, b, c, f, l, m, oa, b, c, f, m
300b, f, h, g, ob, f
400b, c, k, s, pb, c, p
500a, f, c, e, l, p, m, na, c, f, m, p
17
رهيافت هاي جاري براي حل مسالهApriori
معايبحجم بسيار زياد الگوهاي کانديد ايجاد –
شده در مقايسه با الگوهاي تکرار شونده )مرتبه نمايي(
پويش چندين باره پايگاه تراکنش )در هر –
مرحله يک پويش(
18
رهيافت هاي جاري براي حل مسالهFP-Growth
ساخت درختFP-Tree:- يک بار پويش پايگاه تراکنش به منظور يافتن 1
هاي تکرارشونده و مرتب کردن آيتم هاي آيتميافته شده بر اساس ترتيب نزولي تعداد تکرار
L={f:4, c:4, a:3, b:3, m:3, p:3} - مرتب کردن هر تراکنش بر اساس ترتيب 2
مشخص شده و حذف آيتم هاي تکرارناشونده از هر تراکنش
19
رهيافت هاي جاري براي حل مسالهFP-Growth
Item frequency f 4c 4a 3b 3m 3p 3
TID Items 100 {f, a, c, d, g, i, m, p}200 {a, b, c, f, l, m, o}300 {b, f, h, j, o}400 {b, c, k, s, p}500 {a, f, c, e, l, p, m, n}
TID Items (ordered) frequent items100 {f, a, c, d, g, i, m, p} {f, c, a, m, p}200 {a, b, c, f, l, m, o} {f, c, a, b, m}300 {b, f, h, j, o} {f, b}400 {b, c, k, s, p} {c, b, p}500 {a, f, c, e, l, p, m, n} {f, c, a, m, p}
20
رهيافت هاي جاري براي حل مسالهFP-Growth
{}
f:1
c:1
a:1
m:1
p:1
{f, c, a, m, p}{}
{}
f:2
c:2
a:2
b:1m:1
p:1 m:1
{f, c, a, b, m}
21
رهيافت هاي جاري براي حل مسالهFP-Growth
{}
f:4 c:1
b:1
p:1
b:1c:3
a:3
b:1m:2
p:2 m:1
{}
f:3
c:2
a:2
b:1m:1
p:1 m:1
{f, b}
b:1{c, b, p}
c:1
b:1
p:1
{}
f:3
c:2
a:2
b:1m:1
p:1 m:1
b:1{f, c, a, m, p}
22
رهيافت هاي جاري براي حل مسالهFP-Growth
{}
f:4 c:1
b:1
p:1
b:1c:3
a:3
b:1m:2
p:2 m:1
Header Table
Item head fcabmp
23
رهيافت هاي جاري براي حل مسالهFP-Growth
مزايا ساخته شدن درخت كامل با دو پويش بر
روي پايگاهفشرده سازي پايگاه تراكنش براي كاوش
24
رهيافت هاي جاري براي حل مسالهFP-Growth
به كار گيري درختFP-Tree براي الگوكاوي عمقي:
کاوشFP-treeبه روش تقسيم و حل {}
f:4 c:1
b:1
p:1
b:1c:3
a:3
b:1m:2
p:2 m:1
{}
f:4 c:1
b:1
p:1
fb:1fc:3
fa:3
fb:1fm:2
fp:2 fm:1
{}
f:4 c:1
b:1
p:1
fb:1fc:3
fca:3
fcb:1fcm:2
fcp:2 fcm:1
فهرست مطالبتعريف مسالهرهيافت هاي جاري براي حل مسالهكارهاي مرتبط رويكرد بيتي در بسترسازي براي حل مساله الگوكاوي الگوكاوي سريال )افقي- عمودي از پايين به باال- عمودي
از باال به پايين( الگوكاوي موازي كاوش الگوهاي بسيار بزرگ با گذر از الگوهاي كوچك و
متوسطنتيجه گيري و كارهاي آيندهمراجع
26
كارهاي مرتبطانواع الگوريتم هاي كاوش بر اساس
رويكرد جستجو
27
كارهاي مرتبطانواع الگوريتم هاي كاوش بر اساس رويكرد جستجو
28
كارهاي مرتبطانواع الگوريتم هاي كاوش بر اساس رويكرد جستجو
29
كارهاي مرتبطانواع الگوريتم هاي كاوش الگوهاي بسته
30
كارهاي مرتبطAlgorithmname
yearThe First Author
BFS/DFSTop-Down/Bottom-Up
Closed/Maximal/All/Colossal
Bit-wiseParallel horizontal/ vertical
Comments
Apriori1993AgarwalBFSBottom-UpAllNoNohorizontalThe first BFS Algorithm
DIC1997BrinBFSBottom-UpAllNoNohorizontal
FP-Growth2000HanDFSBottom-UpAllNoNohorizontalThe first DFS Algorithm
Tree-Projection2001AgrawalDFSBottom-UpAllNoNohorizontal
opportunistic projection2003LiuDFSTop-Down/Bottom-Up
AllNoNohorizontalBi directional
Equivalence CLAss Transformation (ECLAT)
2000ZakiBFSBottom-UpAllNoNoverticalThe first vertical Algorithm
A-Close1999PasquierBFSBottom-UpClosedNoNohorizontalThe first Closed Algorithm
CLOSET2000PeiDFSBottom-UpClosedNoNohorizontal
CHARM2002ZakiDFSBottom-UpClosedNoNohorizontal
CLOSET+2003WangDFSBottom-UpClosedNoNohorizontal
FPClose2003GrahneDFSBottom-UpClosedNoNohorizontal
AFOPT2003LiuDFSBottom-UpClosedNoNohorizontal
MAFIA2001BurdickDFSBottom-UpClosed/Maximal/All
YesNoverticalThe first Bit-wise Algorithm
Granular Method2003LinDFSBottom-UpAllYesNohorizontal
BitTableFI2007DongDFSBottom-UpAllYesNohorizontal
Index-BitTableFI2007SongDFSBottom-UpAllYesNohorizontal
CFP-Tree2011SchlegelDFSBottom-UpAllYesNohorizontal
PFP-Tree2004JavedDFSBottom-UpAllNoYeshorizontalThe first DFS parallel method
LFP-Tree2007YuDFSBottom-UpAllNoYeshorizontal
PP-Tree2010TanbeerDFSBottom-UpAllNoYeshorizontal
فهرست مطالبتعريف مسالهرهيافت هاي جاري براي حل مسالهكارهاي مرتبط رويكرد بيتي در بسترسازي براي حل مساله الگوكاوي الگوكاوي سريال )افقي- عمودي از پايين به باال- عمودي
از باال به پايين( الگوكاوي موازي كاوش الگوهاي بسيار بزرگ با گذر از الگوهاي كوچك و
متوسطنتيجه گيري و كارهاي آيندهمراجع
32
رويكرد بيتي در بسترسازي براي حل مساله الگوكاوي
منطق روش بيتيیک بودن وجود یک آیتم در یک تراکنش معادل –
صفر بودنبیت متناظر آن و عدم وجود معادل هر آیتم در پایگاه تراکنش، nدر صورت وجود –
بیتیnتراکنش یک رشته پایگاه تراکنش، mدر یک پایگاه تراکنش با –
بیتیm*nتراکنش معادل یک ماتریس در قالب آرایه مجموع یک های سطرها نگهداری –
rowsumدر قالب آرایه مجموع یک های ستونها نگهداری –
colsum
الگوریتم. 1-2شکل تکامل مراحل واره درخت
33
رويكرد بيتي در بسترسازي براي حل مساله الگوكاوي
الگوریتم. 1-2شکل تکامل مراحل واره درخت
34
رويكرد بيتي در بسترسازي براي حل مساله الگوكاوي
هرس کردن ماتریس بیتی آنها کمتر از colsumحذف همه ستونهایی که –
minsup.است پس از حذفrowsumاصالح مقادیر –
الگوریتم. 1-2شکل تکامل مراحل واره درخت
35
رويكرد بيتي در بسترسازي براي حل مساله الگوكاوي
تعیین تکرارشوندگی یک الگو با استفاده ازماتریس بیتی:
الگوریتم. 1-2شکل تکامل مراحل واره درخت
cd تکرارشونده
و بقیه ناتکرارشون
دهبه ازای
minsup=3
36
رويكرد بيتي در بسترسازي براي حل مساله الگوكاوي
:تعيين بسته بودن الگوها-
الگوریتم. 1-2شکل تکامل مراحل واره درخت
فهرست مطالبتعريف مسالهرهيافت هاي جاري براي حل مسالهكارهاي مرتبط رويكرد بيتي در بسترسازي براي حل مساله الگوكاوي الگوكاوي سريال )افقي- عمودي از پايين به باال- عمودي
از باال به پايين( الگوكاوي موازي كاوش الگوهاي بسيار بزرگ با گذر از الگوهاي كوچك و
متوسطنتيجه گيري و كارهاي آيندهمراجع
38
الگوكاوي سريالرويكرد هاي كاوش افقي و عمودي
:رویکرد افقی هر پایگاه تراکنش شامل تعدادی تراکنش )سطرهاي
پايگاه تراكنش( هر تراكنش شامل تعدادی آیتم
الگوریتم. 1-2شکل تکامل مراحل واره درخت
39
الگوكاوي سريالرويكرد هاي كاوش افقي و عمودي
:ديGرویکرد عمو نگهداري آیتم ها بر اساس مجموعه تراکنش
هایی )شماره تراکنش هايي( که دارای آن آيتم هستند
:مثال {c, 1,2,4}{ d, 1,2,3,4 }
پايگاه هاي تراكنش ابعاد باال (high dimensional)
الگوریتم. 1-2شکل تکامل مراحل واره درخت
40
الگوكاوي سريالرويكرد هاي كاوش افقي و عمودي
:رویکرد عمودي درخت عمودي از پايين به باالدرخت عمودي از باال به پايين
الگوریتم. 1-2شکل تکامل مراحل واره درخت
41
الگوكاوي سريالرويكرد هاي كاوش افقي و عمودي
:درخت عمودي از پايين به باال
الگوریتم. 1-2شکل تکامل مراحل واره درخت
42
الگوكاوي سريالرويكرد هاي كاوش افقي و عمودي
:درخت عمودي از باال به پايين
الگوریتم. 1-2شکل تکامل مراحل واره درخت
43
الگوكاوي سريالHPMالگوكاوي بيتي افقي : :رابطه شمول تعريفx: :افراز هر مجموعه از الگوهاي تكرارشونده به دو قضيه
xمجموعه بر اساس آيتم :تقسيم خروجي )مجموعه الگوهاي تكرارشونده( به نتيجه
nدسته nتعداد آيتم هاي تكرارشونده موجود در پايگاه تراكنش :
فرض: مجموعه مرجعI شامل n+m آیتم n آیتم تکرار شونده m ناتکرارشونده آیتم
I={a1,a2,..,an,an+1,…,an+m}
الگوریتم. 1-2شکل تکامل مراحل واره درخت
)()(: QPxQPxQPx
44
الگوكاوي سريالHPMگوكاوي بيتي افقيGال :: مجموعه همه الگوهای تکرارشونده قابل کاوشالگوهای تکرار شونده مشتمل بر آیتمدسته اول :a1 .الگوهای تکرار شونده مشتمل بر آیتمدسته دوم : a2 و فاقد
a1 آیتم
الگوهای تکرار شونده مشتمل بر آیتمدسته سوم : a3 و فاقدa2 و a1 آیتم
... دسته(n-1)الگوهای تکرار شونده مشتمل برام : an-1 و فاقد
نباشند. an-2 و... و a2 و a1 آیتم هایدستهnالگوهای تکرار شونده مشتمل بر آیتمام : an باشند ولی
نباشند)یعنی الگوی تك an-1 و... و a2 و a1 حاوی آیتم های(. anآيتمي
الگوریتم. 1-2شکل تکامل مراحل واره درخت
45
الگوكاوي سريالHPM)الگوكاوي بيتي افقي )تعاريف ::ماتريس ستوني مرتب
يک اسGاس بر شده مرتGب )آيتم هاي( سGتونهاي بGا بيتGي ماتريGس مشخص معيار
ماتريس بدونx(x-eliminated): ا آيتمGر بGتون متناظGه مقدار سGطرهايي کGل سGا شامGتنهx در ،
باشد 1آنها برابر تنها شامل ستونهاي بعد ازxريس ستوني مرتبGاز مات
ماتريس بدونy از x (x|y-eliminated)
الگوریتم. 1-2شکل تکامل مراحل واره درخت
46
الگوكاوي سريالHPMالگوكاوي بيتي افقي :
a ماتریس بدون
الگوریتم. 1-2شکل تکامل مراحل واره درخت
47
الگوكاوي سريالHPM)الگوكاوي بيتي افقي )روش انجام :به ازای هر آیتمx ماتریس بدون :x را به
دست آوریم. ماتریس بدونa :)هرس نشده(
الگوریتم. 1-2شکل تکامل مراحل واره درخت
48
الگوكاوي سريالHPM)قي )روش انجامGالگوكاوي بيتي اف : هر الگوي استخراج شده از اين ماتريس
است aشامل كاوش الگوهاي تكرارشونده شاملa:يعني
استخراج الگوهاي ماتريس بدون a و ترکيب آنها باa .
ستونهايي کهcolSum متناظر آنها از minsup کمترG باشد نمي توانند در ساخت الگو شرکت
کنند: هرس ماتريس بدونa بر اساس minsup
الگوریتم. 1-2شکل تکامل مراحل واره درخت
49
الگوكاوي سريالHPM)الگوكاوي بيتي افقي )روش انجام : هرس ماتريس بدونa بر اساس minsup
الگوریتم. 1-2شکل تکامل مراحل واره درخت
50
الگوكاوي سريالHPMالگوكاوي بيتي افقي : در عمق ماتريس هاي هرس شدهaقابل تولید بودن ماتريسy|x-eliminated
xy یک الگوی تکرارشونده استادامه روند توليد در اين شاخه
يا تولید ماتريس خاليNULL شدن در اثر هرس xy یک الگوی تکرارشونده است توقف فرآیند کاوش الگوی این زیرشاخه
الگوریتم. 1-2شکل تکامل مراحل واره درخت
51
الگوكاوي سريالHPMالگوكاوي بيتي افقي :
الگوریتم. 1-2شکل تکامل مراحل واره درخت
52
الگوكاوي سريالHPMالگوكاوي بيتي افقي : الگوهاي شاملa)دسته اول الگوها(
:به صورت مشابه الگوهاي شاملb : الگوهاي شاملc :...
الگوریتم. 1-2شکل تکامل مراحل واره درخت
agafaeadfadaceacabgaba ,,,,,,,,,
bgbfgbfbegbeb ,,,,, cec,
53
الگوكاوي سريالHPMالگوكاوي بيتي افقي :: مجموعه همه الگوهاي كاوش شده
الگوریتم. 1-2شکل تکامل مراحل واره درخت
fgf , }{, hghg eheghegefe ,,,, cec, dfd ,
agafaeadfadaceacabgaba ,,,,,,,,, bgbfgbfbegbeb ,,,,,
54
الگوكاوي سريالHPMالگوكاوي بيتي افقي ::فشرده سازي فايل خروجي :اگر قضيهx1x2x3…xn يك الگوي
x1x2x3 و x1x2 و x1تكرارشونده باشد آنگاه همگي الگويي تكرار x1x2x3…xnو ... و
شونده اند. :نتيجه: فايل خروجي
الگوریتم. 1-2شکل تکامل مراحل واره درخت
ghfgeheghefdfcebgbfgbegagafaeadfaceabg ,,,,,,,,,,,,,,,
55
الگوكاوي سريالHPM)الگوكاوي بيتي افقي )الگوريتم :
الگوریتم. 1-2شکل تکامل مراحل واره درخت
56
الگوكاوي سريالHPMالگوكاوي بيتي افقي ::يدگي زمانيBپيچ
:در بدترين حالتO(n*2n)
تاثیر نحوه مرتب سازی آیتم ها بر سرعتکاوش الگوها:
تغییر ترتیب و چینش آیتم ها : افزایش يا كاهشکارایی
ترتیب چينش: ترتيب صعودی فرکانس تکرار آیتم ها
الگوریتم. 1-2شکل تکامل مراحل واره درخت
57
الگوكاوي سريالBUM الگوكاوي بيتي عمودي از پايين به :
باال )مثال( درخت جستجوي
عمودي از پايين به باال
الگوریتم. 1-2شکل تکامل مراحل واره درخت
58
الگوكاوي سريالBUM الگوكاوي بيتي عمودي از پايين به باال :
)مراحل(ساخت درخت جستجوي از پايين به باالAND كردن رشته بيتي معادل سطرهاي
موجود در هر نود درخت در صورت رسيدن به سطحminsup : درخت
در صورت وجود حداقل يك بيت با مقدار يك ANDدر حاصل
اعالم الگوي متناظر با رشته بيتي به عنوانالگوي تكرارشونده
الگوریتم. 1-2شکل تکامل مراحل واره درخت
59
الگوكاوي سريالBUM الگوكاوي بيتي عمودي از پايين به :
باال )بهينه سازي(
با توجه به اصلApriori هرس كردن شاخه هاي
minsupپس از سطح
الگوریتم. 1-2شکل تکامل مراحل واره درخت
60
الگوكاوي سريالBUM الگوكاوي بيتي عمودي از پايين به :
باال )بهينه سازي(
با توجه به اصلApriori هرس كردن شاخه هاي
minsupپس از سطح
نتيجه:درخت جستجوي جديد
الگوریتم. 1-2شکل تکامل مراحل واره درخت
61
الگوكاوي سريالBUM الگوكاوي بيتي عمودي از پايين به :
باال )مراحل اجرا(
الگوریتم. 1-2شکل تکامل مراحل واره درخت
62
الگوكاوي سريالBUM الگوكاوي بيتي عمودي از پايين به :
باال )مراحل اجرا(
الگوریتم. 1-2شکل تکامل مراحل واره درخت
63
الگوكاوي سريالBUM الگوكاوي بيتي عمودي از پايين به :
باال )مراحل اجرا(
الگوریتم. 1-2شکل تکامل مراحل واره درخت
64
الگوكاوي سريالBUM الگوكاوي بيتي عمودي از پايين به :
باال )الگوريتم( الگوريتم ساخت درخت
الگوریتم. 1-2شکل تکامل مراحل واره درخت
65
الگوكاوي سريالBUM الگوكاوي بيتي عمودي از پايين به :
باال )الگوريتم( الگوريتم ساخت درخت ايجاد نود جديد با افزودن يك شماره سطر به مجموعه سطر
نود جاري از بزرگترین شماره سطر موجود در مجموعه سطر نودتا آخرین )بزرگترین( شماره سطر موجود در پایگاه تراکنش
:ورودي اولین شماره سطر بعد از بزرگترین شماره سطر موجود در
mنود جاری با نام بزرگترین شماره سطر پایگاه تراکنش با نامmax رشتهS .شامل مجموعه سطر متناظر با هر نود
الگوریتم. 1-2شکل تکامل مراحل واره درخت
66
الگوكاوي سريالBUM الگوكاوي بيتي عمودي از پايين به :
باال )الگوريتم(پيچيدگي الگوريتم:
O(mminsup)
الگوریتم. 1-2شکل تکامل مراحل واره درخت
67
الگوكاوي سريالBUM الگوكاوي بيتي عمودي از باال به :
پايين)مثال( درخت جستجوي
عمودي از باال به پايين
الگوریتم. 1-2شکل تکامل مراحل واره درخت
68
الگوكاوي سريالBUM الگوكاوي بيتي عمودي از باال به :
پايين)مراحل اجرا(ايجاد درخت جستجوي از باال به پايين نود داراي یک سطر کمتر Gهر Gمجموعه سطر
از مجموعه سطر نود پدر :در آرایه بیتی متناظر
یک شدن برخی از )شاید صفر تا( بیت های صفر آرایهبیتی پدر
آرایه بیتی متناظر با سطر حذف کم کردن نود پدر(colSum)مجموع ستونی از شده
الگوریتم. 1-2شکل تکامل مراحل واره درخت
69
الگوكاوي سريالBUM الگوكاوي بيتي عمودي از باال به :
پايين)مراحل اجرا(
الگوریتم. 1-2شکل تکامل مراحل واره درخت
70
الگوكاوي سريالBUM الگوكاوي بيتي عمودي از باال به :
پايين)مراحل اجرا(:پيچيدگي زماني
O(mm-minsup)
الگوریتم. 1-2شکل تکامل مراحل واره درخت
71
الگوكاوي سريالنتايج آزمايشات
الگوریتم. 1-2شکل تکامل مراحل واره درخت
datasetssizeTransactions#Items#D13.93M100000870D215.12M100000942
mushroom0.56M8124119pumsb16.3M490462113
Accident33.8M340183468Retail3.97M8816216469
kosarak30.5M99000241270
72
الگوكاوي سريالنتايج آزمايشات مجموعه دادهD1
الگوریتم. 1-2شکل تکامل مراحل واره درخت
73
الگوكاوي سريالنتايج آزمايشات مجموعه دادهD2
الگوریتم. 1-2شکل تکامل مراحل واره درخت
74
الگوكاوي سريالتحليل نتايج آزمايشات
كاهش زمان اجرا با افزايشminsup افزايش زمان اجرا با افزايش تعداد آيتم ها افزايش زمان اجرا با افزايش متوسط
طول تراكنش ها
الگوریتم. 1-2شکل تکامل مراحل واره درخت
datasetssizeTransactions#Items#D13.93M100000870D215.12M100000942
75
الگوكاوي سريالنتايج آزمايشات مجموعه دادهAccident
الگوریتم. 1-2شکل تکامل مراحل واره درخت
76
الگوكاوي سريالنتايج آزمايشات مجموعه دادهRetail
الگوریتم. 1-2شکل تکامل مراحل واره درخت
77
الگوكاوي سريالنتايج آزمايشات مجموعه دادهkosarak
الگوریتم. 1-2شکل تکامل مراحل واره درخت
78
الگوكاوي سريالنتايج آزمايشات مقايسه سه روش بر روي مجموعه داده
D1
الگوریتم. 1-2شکل تکامل مراحل واره درخت
79
الگوكاوي سريالنتايج آزمايشات مقايسه سه روش بر روي مجموعه داده
D2
الگوریتم. 1-2شکل تکامل مراحل واره درخت
80
الگوكاوي سريالنتايج آزمايشات مقايسه سه روش بر روي مجموعه داده
mushroom
الگوریتم. 1-2شکل تکامل مراحل واره درخت
81
الگوكاوي سريالنتايج آزمايشات مقايسه سه روش بر روي مجموعه داده
pumsb
الگوریتم. 1-2شکل تکامل مراحل واره درخت
فهرست مطالبتعريف مسالهرهيافت هاي جاري براي حل مسالهكارهاي مرتبط رويكرد بيتي در بسترسازي براي حل مساله الگوكاوي الگوكاوي سريال )افقي- عمودي از پايين به باال- عمودي
از باال به پايين( الگوكاوي موازي كاوش الگوهاي بسيار بزرگ با گذر از الگوهاي كوچك و
متوسطنتيجه گيري و كارهاي آيندهمراجع
83
الگوكاوي موازي آرایه های سیستالیک ابزاری برای موازی سازی الگوریتم ها و پردازش ها ارائه توسطH.T.Kung و Charles Leiserson در
1979سال چینش پردازنده ها به نحوی که داده های به صورت
در پردازندGه های مجاور جریان داشته باشدهمزمان هر مرحله انجام عملیات توسط سلول ها
آرایه سیستالیکتپش)پردازنده ها(: يك :ذخیره سازی مستقل و محاسبه همزمان مزايا
داده توسط سلول ها
الگوریتم. 1-2شکل تکامل مراحل واره درخت
84
الگوكاوي موازي آرایه های سیستالیک
به كارگيري آرايه هاي سيستاليك در پايگاه هايداده رابطه اي
ارائه آرايه سيستاليك براي عمليات در پايگاه داده رابطه(:1980اي )
تراك، الحاقGاز قبيل اجتماع، اش Gپايپالين كردن عملياتيو ...
پياده سازي عمليات جبر رابطه اي و درهم سازي بااستفاده از آرايه هاي سيستاليك
الگوریتم. 1-2شکل تکامل مراحل واره درخت
85
الگوكاوي موازيآرایه های سیستالیک به كار رفته در الگوكاوي هر سلول داراي
يک حافظهx ذخيره آرايه بيتي متناظر با يک : آيتم
يک حافظهm ذخيره نام يک آيتم : يک حافظهz يک بيت :
يک بودن بيتz وجود آيتم اين سلول در الگوي : ساخته شده
صفر بودن بيتz عدم وجود اين آيتم در الگوي : ساخته شده
الگوریتم. 1-2شکل تکامل مراحل واره درخت
86
الگوكاوي موازيآرایه های سیستالیک به كار رفته در الگوكاوي هر سلول داراي
هر سلول داراي يک وروديy شامل سه قسمت
يک مجموعه آيتم- y(Is) -در ابتدا تهي
– يک آرايه بيتي متحرکy(array) - 1در ابتدا يك آرايه تمام
- يک بيت سوئيچ استy(sw) - دارد. 1در ابتدا مقدار
هر سلول دو خروجيa وb .دارد
الگوریتم. 1-2شکل تکامل مراحل واره درخت
87
الگوكاوي موازيساخت الگوها با آرايه سيستاليك اگرy(sw)=1
اگرz=1y(array) AND x = y(array).z = 0y(Is)= m U y(Is)y->a >- *b
اگرz=0y(sw) = 0z = 1y->a >- *b
الگوریتم. 1-2شکل تکامل مراحل واره درخت
88
الگوكاوي موازيساخت الگوها با آرايه سيستاليك اگرy(sw)=0
اگرz=1y(array) AND x = y(array).y(Is)= m U y(Is)y->a >- *b
اگرz=0y->a >- *b
الگوریتم. 1-2شکل تکامل مراحل واره درخت
89
الگوكاوي موازيمثالوضعيت اوليه
گذر اول
الگوریتم. 1-2شکل تکامل مراحل واره درخت
90
الگوكاوي موازيمثالگذر اول- مرحله دوم
گذر اول- مرحله سوم
الگوریتم. 1-2شکل تکامل مراحل واره درخت
91
الگوكاوي موازي:مثال:تعداد تپش ها
n+2n
الگوریتم. 1-2شکل تکامل مراحل واره درخت
92
الگوكاوي موازياعمال روش تقسيم و حل اگر ورودي اوليه آرايه سيستاليك شاملa
باشد: aتوليد همه خروجي هاي مشتمل بر
الگوریتم. 1-2شکل تکامل مراحل واره درخت
93
الگوكاوي موازياعمال روش تقسيم و حلآرايه سيستاليك
دو بعدي
الگوریتم. 1-2شکل تکامل مراحل واره درخت
94
الگوكاوي موازينتايج آزمايشات
الگوریتم. 1-2شکل تکامل مراحل واره درخت
datasetssizeTransactions#Items#mushroom0.56M8124119
pumsb16.3M490462113Accident33.8M340183468
Retail3.97M8816216469kosarak30.5M99000241270
95
الگوكاوي موازينتايج آزمايشات مجموعه دادهmushroom
الگوریتم. 1-2شکل تکامل مراحل واره درخت
96
الگوكاوي موازينتايج آزمايشات مجموعه دادهpumsb
الگوریتم. 1-2شکل تکامل مراحل واره درخت
97
الگوكاوي موازينتايج آزمايشات مجموعه دادهAccident
الگوریتم. 1-2شکل تکامل مراحل واره درخت
98
الگوكاوي موازينتايج آزمايشات مجموعه دادهRetail
الگوریتم. 1-2شکل تکامل مراحل واره درخت
99
الگوكاوي موازينتايج آزمايشات مجموعه دادهkosarak
الگوریتم. 1-2شکل تکامل مراحل واره درخت
فهرست مطالبتعريف مسالهرهيافت هاي جاري براي حل مسالهكارهاي مرتبط رويكرد بيتي در بسترسازي براي حل مساله الگوكاوي الگوكاوي سريال )افقي- عمودي از پايين به باال- عمودي
از باال به پايين( الگوكاوي موازي كاوش الگوهاي بسيار بزرگ با گذر از الگوهاي كوچك و
متوسطنتيجه گيري و كارهاي آيندهمراجع
101
كاوش الگوهاي بسيار بزرگ با گذر از الگوهاي كوچكتر
الگوهاي بسيار بزرگ(colossal)
ود در پايگاهGبزرگترين الگوهاي تكرارشونده موجتراكنش
دازه مشخصGالگوهاي تكرارشونده اي كه از انشده تGوسط كاربر بزرگتر باشند
كاربرد در پايگاه هاي تراكنش با ابعاد باال اطالعات زيستي پايگاه هاي داده ژني
الگوریتم. 1-2شکل تکامل مراحل واره درخت
102
كاوش الگوهاي بسيار بزرگ با گذر از الگوهاي كوچكتر
:فرکانس تکرار ابر الگوی هر الگو کمتر یا قضیهمساوی فرکانس تکرار آن الگو
:رگتر دارای فرکانس نتيجه مستقيمGالگوهای بزتکرGار کمتری نسبت به زیرالگوهای خود
:نتيجه كاربردي جستجوي الگوهايcolossal در مجموعه
الگوهایی که کمترین فرکانس تکرار را دارند کمترین فرکانس تکرار قابل پذیرش برای
minsupالگوهای تکرار شونده: روش عمودی از پایین بهG باال
الگوریتم. 1-2شکل تکامل مراحل واره درخت
103
كاوش الگوهاي بسيار بزرگ با گذر از الگوهاي كوچكتر
:طوالني ترين شاخه شامل نود قضيهq در p+m-apعمودي برابر باالي درخت از پايين به
تعداد سطرها، و q، m سطح pاست كه در آن ap بزرگترين شماره سطر موجود در q.است نودهای سطحp دارای ،p شماره سطر زیردرخت شروع شده از نودq دارای m-ap سطح
بلندترین زیر شاخه شامل q :دارايp سطح تا نود q وm-ap سطح بعد از نود q در مجموع دارایp+m-ap سطح
الگوریتم. 1-2شکل تکامل مراحل واره درخت
paaaa ...321
104
كاوش الگوهاي بسيار بزرگ با گذر از الگوهاي كوچكتر
هرس كردن همه زیرشاخه هایی که بهنمی رسند minsupسطح
الگوریتم. 1-2شکل تکامل مراحل واره درخت
105
كاوش الگوهاي بسيار بزرگ با گذر از الگوهاي كوچكتر
:مثال 2 دارای طول 16بلندترین زیر شاخه شامل نود
p 2 برابر 16 یعنی سطح نود ، ap 6 برابر 16 یعنی بزرگترین شماره سطر موجود در ،m برابر G6یعنی تعداد سطرهای پایگاه تراکنش
به دست آوردن آخرین سطح قابل دست یابی از هرآن نود پیش از بسط نود
آخرین سطح قابل دست یابی کمتر ازminsup :هرس شدن همه زير شاخه هاي نود
الگوریتم. 1-2شکل تکامل مراحل واره درخت
106
كاوش الگوهاي بسيار بزرگ با گذر از الگوهاي كوچكتر
روشBVBUC
الگوریتم. 1-2شکل تکامل مراحل واره درخت
107
كاوش الگوهاي بسيار بزرگ با گذر از الگوهاي كوچكتر
نتايج آزمايشات
الگوریتم. 1-2شکل تکامل مراحل واره درخت
datasetssizeTransactions#Items#mushroom0.56M8124119
pumsb16.3M490462113Accident33.8M340183468
Retail3.97M8816216469kosarak30.5M99000241270
108
نتايج آزمايشات مجموعه دادهmushroom
الگوریتم. 1-2شکل تکامل مراحل واره درخت كاوش الگوهاي بسيار بزرگ با گذر از
الگوهاي كوچكتر
109
نتايج آزمايشات مجموعه دادهpumsb
الگوریتم. 1-2شکل تکامل مراحل واره درخت كاوش الگوهاي بسيار بزرگ با گذر از
الگوهاي كوچكتر
110
نتايج آزمايشات مجموعه دادهAccident
الگوریتم. 1-2شکل تکامل مراحل واره درخت كاوش الگوهاي بسيار بزرگ با گذر از
الگوهاي كوچكتر
111
نتايج آزمايشات مجموعه دادهRetail
الگوریتم. 1-2شکل تکامل مراحل واره درخت كاوش الگوهاي بسيار بزرگ با گذر از
الگوهاي كوچكتر
112
نتايج آزمايشات مجموعه دادهkosarak
الگوریتم. 1-2شکل تکامل مراحل واره درخت كاوش الگوهاي بسيار بزرگ با گذر از
الگوهاي كوچكتر
فهرست مطالبتعريف مسالهرهيافت هاي جاري براي حل مسالهكارهاي مرتبط رويكرد بيتي در بسترسازي براي حل مساله الگوكاوي الگوكاوي سريال )افقي- عمودي از پايين به باال- عمودي
از باال به پايين( الگوكاوي موازي كاوش الگوهاي بسيار بزرگ با گذر از الگوهاي كوچك و
متوسطنتيجه گيري و كارهاي آيندهمراجع
114
نتيجه گيري و كارهاي آيندهدست یابی به دستاوردهای زیر در زمینه الگوکاوی1 کاوش کارآمد مجموعه کامل الگوهای تکرارشونده )
با ارائه الگوریتم سریال با رویکرد افقی به صورت HPM.
2 کاوش کارآمد مجموعه کامل و بسته الگوهای )سریال با رویکرد از عمودی با تکرارشونده به صورت BUMبا ارائه الگوریتم دیدگاه از پایین به باال
3 کاوش کارآمد مجموعه کامل و بسته الگوهای )سریال با رویکرد از عمودی با تکرارشونده به صورت
.TDM با ارائه الگوریتم دیدگاه از باال به پايين
الگوریتم. 1-2شکل تکامل مراحل واره درخت
115
نتيجه گيري و كارهاي آيندهدست یابی به دستاوردهای زیر در زمینه الگوکاوی4 طراحی بستر مناسب برای مدل سازی مساله )
الگوکاوی به محاسبات موازی شونده توسط آرایه های سیستالیک با به کار گیری ماتریس بیتی و تقسیم مناسب
آن بر روی پردازنده ها.5 اعمال قابلیت تقسیم وحل در موازی سازی الگوکاوی )
دو ارائه روش موازی و مبتنی بر آرایه های سیستالیکو برای الگوکاوی. SABMAبعدی
6 کاوش الگوهای بسیار بزرگ ( ارائه روشی کارآمد برای، بدون نیاز به زمینه بدون کاوش الگوهای کوچکتر
محاسباتی پیچیده و بدون از دست داده قطعیت در . BVBUCمجموعه الگوهای کاوش شده و ارائه الگوريتم
الگوریتم. 1-2شکل تکامل مراحل واره درخت
116
نتيجه گيري و كارهاي آيندهبرخي دستاوردهای پژوهشي رساله1:به كارگيري روش هاي الگوكاوي در مسائل كاربردي )
افزايش كارايي پرس و جوهاي پايگاه داده مقاله علمي پژوهشي: ”“ پذيرفته و تحليلي با نگاشت مكعب مفهومي به فضاي دوبعدي
چاپ شده در مجله مهندسي برق و كامپيوتر ايران
2ارائه روش از پايين به باالي عمودي )كاوي در پايگاه هاي تراكنش با ابعاد باال بر الگومقاله كنفرانس: ”
پذيرفته و اساس رويكرد شمارش از پايين به باالي ماتريس بيتي“ ارائه شده دركنفرانس انجمن كامپيوتر ايران
3 به كارگيري روش پايين به باالي عمودي در كاوش الگوهاي بسيار بزرگ )بدون كاوش الگوهاي كوچك و مياني
ISI: “Efficient colossal pattern mining in highمقاله مجله dimensional datasets” پذيرفته شده و چاپ شده در مجلهKnowledge
based Systems (Knosys) از سري مجالت elsevier
الگوریتم. 1-2شکل تکامل مراحل واره درخت
117
نتيجه گيري و كارهاي آيندهبرخي دستاوردهای پژوهشي رساله4ارائه روش افقي مبتني بر ماتريس بيتي )
ISI: “EFFICIENT FREQUENT PATTERN MINING USING BITمقاله مجله MATRIX BASED REPRESENTATION OF DATASET” بازبيني شده و در
International Journal of Software Engineeringشرف پذيرش در مجله and Knowledge Engineering
5موازي سازي الگوكاوي با استفاده از آرايه هاي سيستاليك ) ISI: “PARALLEL FREQUENT ITEMSET MINING USINGمقاله مجله
SYSTOLIC ARRAYS” در دست داوري در مجلهKnowledge based Systems (Knosys) از سري مجالت elsevier
6 بررسي روش هاي جاري الگوكاوي و دسته بندي آنها بر اساس رويكردي )جديد و چهارسطحي
در دست داوري ”ISI: “A taxonomy of frequent pattern miningمقاله مجله International Journal of Knowledge Managementدر مجله
الگوریتم. 1-2شکل تکامل مراحل واره درخت
118
نتيجه گيري و كارهاي آيندهكارهاي آينده
فشرده سازی ماتریس بیتی در مواردی که ماتریستولید شده تنک باشد و شامل تعداد زیادی بیت صفر.
اعمال موازی سازی در الیه های زیرین و مراحل بعدیروش تقسیم و حل و ایجاد ابعاد بعدی برای آرایه
سیستالیک.
اعمال موازی سازی بر روي روش های عمودی ارائهشده با به کارگیری آرایه های سیستالیک.
الگوریتم. 1-2شکل تکامل مراحل واره درخت
فهرست مطالبتعريف مسالهرهيافت هاي جاري براي حل مسالهكارهاي مرتبط رويكرد بيتي در بسترسازي براي حل مساله الگوكاوي الگوكاوي سريال )افقي- عمودي از پايين به باال- عمودي
از باال به پايين( الگوكاوي موازي كاوش الگوهاي بسيار بزرگ با گذر از الگوهاي كوچك و
متوسطنتيجه گيري و كارهاي آيندهمراجع
120
مراجع
الگوریتم. 1-2شکل تکامل مراحل واره درخت
M.K. Sohrabi, A.A. Barforoush, Efficient colossal pattern mining in high dimensional datasets, Knowledge Based Systems (2012), http://dx.doi.org/10.1016/j.knosys.2012.03.003
Agrawal R, Imielinski T, Swami A (1993) Mining association rules between sets of items in large databases. In: Proceedings of the 1993ACM-SIGMOD international conference on management of data (SIGMOD’93), Washington, DC, pp 207–216.
Agrawal R. and Srikant R. “Fast algorithms for mining association rules.” In Proc. 1994 Int. Conf. Very Large Data Bases (VLDB’94), pages 487–499, Santiago, Chile, Sept. 1994.
Mannila H., Toivonen H., Verkamo AI (1994) Efficient algorithms for discovering association rules. (KDD'94) Seattle, WA, pp 181-192.
Han J, Pei J, Yin Y (2000) Mining frequent patterns without candidate generation. In: Proceeding of the 2000 ACM-SIGMOD international conference on management of data (SIGMOD’00), Dallas, TX, pp 1–12
Agarwal R, Aggarwal CC, Prasad VVV (2001) A tree projection algorithm for generation of frequent itemsets. J Parallel Distribut Comput 61:350–371
121
مراجع
الگوریتم. 1-2شکل تکامل مراحل واره درخت
Liu J, Pan Y, Wang K, Han J (2002) Mining frequent item sets by opportunistic projection. In: Proceeding of the 2002 ACM SIGKDD international conference on knowledge discovery in databases (KDD’02), Edmonton, Canada, pp 239–248
Grahne G, Zhu J (2003) Efficiently using prefix-trees in mining frequent itemsets. In: Proceeding of the ICDM’03 international workshop on frequent itemset mining implementations (FIMI’03), Melbourne, FL, pp 123–132G. Buehrer, S. Parthasarathy, S. Tatikonda, T. Kurc and J. Saltz, "Toward terabyte pattern mining an architecture-conscious solution," in PPoPP , 2007, p. 2-12.
D. Chen, C. Lai, W. Hu, W.G. Chen, Y. Zhang and W. Zheng, "Tree partition based parallel frequent pattern mining on shared memory systems," in IEEE Parallel and Distributed Processing Symposium , 2006.
S. K. Tanbeer ,C. F. Ahmed ,B.-S. Jeong" ,Parallel and Distributed Algorithms for Frequent Pattern Mining in Large
Databases", IETE technical review, 2010. J. Dong, M. Han, BitTableFI: an efficient mining frequent itemsets algorithm, Knowledge Based Systems 20 (4) (2007) 329–335 W. Song, B. Yang, Z. Xu, Index-BitTableFI: An improved algorithm for mining frequent itemsets, Knowledge Based Systems 20 (4) (2007) 329–335
Z. Xu, D. Gu, S. Wei, An Efficient Matrix Algorithm for Mining Frequent Itemsets, (2009) International Conference on Computational Intelligence and Software Engineering, 2009. CiSE 2009. Schlegel B., Gemulla R., Lehner w. (2011) Memory-Efficient Frequent Itemset Mining, in: Proc. 14th International Conference on Extending Database Technology (EDBT), 2011.
122
اصالحات صورت گرفته بر اساس راهنمايي هاي پيش دفاع
الگوریتم. 1-2شکل تکامل مراحل واره درخت
بيان فرمال مسائل با استفاده از ارائه تعاريف و قضايايجديد
بررسي دقيق تر سابقه به كارگيري آرايه هاي سيستاليك درپايگاه هاي داده و داده كاوي
تكميل و ارائه دقيق تر مفروضات مساله در ابتداي ارائهبيان پيچيدگي زماني روش هاي ارائه شده در ارائه كامل كردن نتايج آزمايشات با ارائه تحليل نتايج و بيان تاثير
پارامترهاي پايگاه هاي داده بيان دقيق نوآوري هاي رساله در ارائه و جداسازي آنها از
كارهاي پيشين ارائه مراجع مورد استفاده جديدتر در ارائهويرايش اماليي و انشايي پايان نامه افزودن دستاوردهاي پژوهشي و مقاالت مستخرج از رساله
به ارائهدسته بندي اساليدها و كاهش حجم اساليدهاي ارائه
123
سپاس
الگوریتم. 1-2شکل تکامل مراحل واره درخت
Recommended