高效用項集挖掘（Mining High Utility Itemsets,簡稱HUIM）是數(shù)據(jù)挖掘（Data Mining,簡稱DM）和知識發(fā)現(xiàn)（Knowledge Discovery in Database,簡稱KDD）領(lǐng)域的重要課題。當(dāng)數(shù)據(jù)集較大或者不同項的數(shù)量較多時,高效用項集挖掘就是一個NP問題。演化算法是經(jīng)常被用來解決NP問題的方法之一。最近,一些基于演化算法挖掘高效用項集的算法被提出,比如HUPEumu-GARM、HUIM-PSO等。這些算法在時間方面比傳統(tǒng)算法高效,但是需要多次遍歷數(shù)據(jù)集;此外只能挖掘到較少的高效用項集。為了解決以上問題,現(xiàn)提出以下幾個算法:1)提出了基于人工蜂群算法的高效用項集挖掘算法HUIM-ABC。運用人工蜂群算法（Artificial Bee Colony,簡稱ABC）挖掘高效用項集,運用位圖表示數(shù)據(jù)集;二進制向量表示蜜源、三種蜜蜂和項集;運用PBVC和DNSG策略加快算法運行,PBVC用于檢測項集是否合理,DNSG動態(tài)調(diào)整不合理項集。2)提出了基于生物啟發(fā)計算的高效用項集挖掘框架Bio-HUIF。該算法將數(shù)據(jù)集表示成位圖;個體用二進制向量來表示,... 

【文章來源】：北方工業(yè)大學(xué)北京市

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

單

Ｐ２?０?１?１?１?０?０?１?１?０?１?１?０?０?１?Ｃ２??圖２－１單點交叉??Ｐ１?丨１丨０?１丨０丨１?１丨〇｜?｜ｌ｜〇｜ｌ｜ｌ｜〇?ｌｌｏｌ?Ｃｌ??￣—￣￣?￣￣??Ｐ２?０?１?１?１?０?０?１?０?１?１?０?１?０?１?Ｃ２??圖２－２雙點交叉??最簡單的交叉操作就是在染色體上隨機選擇交叉點，然后互換染色體片段。??具體的交叉操作如圖２－１和圖２－２所示。??２．２．６變異操作??變異操作主要是為了保持上一代到下一代的多樣性。變異改變?nèi)旧w上的一??個或者多個基因位。簡單的形式就是人為設(shè)定變異操作的變異概率。一般而言，??變異概率設(shè)置都比較小。如果變異的概率設(shè)置的太高，這個搜索的過程有可能退??化為隨機搜索。自適應(yīng)的變異率［３７］比固定的變異概率表現(xiàn)要好。??ｎｍａｘ?＿?ｐｍｉｎ?Ｒ?ｉ??＾?＝（／ｒ?一」＾＾＿ｘｒ）ｘ?（２－１２）??ＡＴ?Ｒ??最大變異概率??ｎｍｉｎ??＆?：最小變異概率??％?：迭代次數(shù)??ｒ：時間或者迭代次數(shù)??及：排名總數(shù)??在算法ＨＵＰＥ＿－ＧＡＲＭ中，變異概率是隨著迭代次數(shù)的增加而減小的，并??且子代的變異概率是與適應(yīng)度相關(guān)的。最初，較大的變異概率是為了更加充分的??搜索解空間。子代的變異率與它的排名有關(guān)。排名高的個體相較于排名低的個體??變異率低。適應(yīng)度最高的個體可以達(dá)到最優(yōu)解。最小變異概率是為了限制群體的??１１??

因為基于演化算法挖掘ＨＵＩ并不能確保在一定的迭代次數(shù)內(nèi)挖掘到所有的??高效項集，我們就需要對比不同算法挖掘到的ＨＵＩｓ個數(shù)。Ｔｗｏ－Ｐｈａｓｅ算法從４??個數(shù)據(jù)集中可以挖掘到所有的ＨＵＩｓ。圖３－２展示對比試驗結(jié)果。??正如圖３－２所示，ＨＵＩＭ－ＡＢＣ算法在４個數(shù)據(jù)集中比其他三個基于演化算??法都可以挖掘到更多的ＨＵＩｓ。平均來看，ＨＵＩＭ－ＡＢＣ算法分別在Ｃｈｅｓｓ、??Ｍｕｓｈｒｏｏｍ、Ａｃｃｉｄｅｎｔ＿１０°／〇和?Ｃｏｎｎｅｃｔ?數(shù)據(jù)集中可以挖掘到所有?ＨＵＩｓ?的?９１．３４％，??８７．１０％，９６．６５％和９１．５９％。當(dāng)閾值設(shè)置較高時，例如，Ｃｈｅｓｓ數(shù)據(jù)集相對閾值??３０．５％

【參考文獻(xiàn)】：
期刊論文
[1]利用三角模糊數(shù)的語言變量項集減項算法[J]. 陳宇,王娜,王晉東.  清華大學(xué)學(xué)報(自然科學(xué)版). 2017(08)
[2]基于經(jīng)驗Rademacher復(fù)雜度的頻繁項集發(fā)現(xiàn)隨機抽樣方法[J]. 葉嘉,趙成貴,吳紅剛.  中國管理信息化. 2017(07)
[3]基于Nodeset的最大頻繁項集挖掘算法[J]. 林晨,顧君忠.  計算機工程. 2016(12)
[4]基于云計算的最大頻繁項集挖掘算法[J]. 孫鶴旭,孫澤賢,林濤.  中南民族大學(xué)學(xué)報(自然科學(xué)版). 2016(03)
[5]滑動窗口下數(shù)據(jù)流完全加權(quán)最大頻繁項集挖掘[J]. 王少鵬,聞英友,趙宏.  東北大學(xué)學(xué)報(自然科學(xué)版). 2016(07)
[6]基于投影的高效用項集挖掘算法[J]. 王敬華,羅相洲,吳倩.  小型微型計算機系統(tǒng). 2016(06)
[7]基于間隔鏈表改進的頻繁項集挖掘算法[J]. 徐永秀,劉旭敏,徐維祥.  計算機應(yīng)用. 2016(04)
[8]基于開項集剪枝的常量條件函數(shù)依賴挖掘[J]. 周金陵,刁興春,曹建軍.  清華大學(xué)學(xué)報(自然科學(xué)版). 2016(03)
[9]基于最大頻繁項集挖掘的微博炒作群體發(fā)現(xiàn)方法[J]. 劉琰,張進,陳靜,尹美娟,張偉麗.  計算機工程與應(yīng)用. 2017(04)
[10]基于頻繁項集的海量短文本聚類與主題抽取[J]. 彭敏,黃佳佳,朱佳暉,黃濟民,劉紀(jì)平.  計算機研究與發(fā)展. 2015(09)



本文編號：3393775