基于投影表結(jié)構(gòu)的ToP-k高效用模式挖掘算法的研究及并行化處理.pdf

1、計(jì)算機(jī)和互聯(lián)網(wǎng)技術(shù)的普及與快速發(fā)展使得數(shù)據(jù)的產(chǎn)生、收集、存儲(chǔ)日益便捷，因而數(shù)據(jù)量呈爆炸式增長(zhǎng)。但是信息過載，使得人們面對(duì)海量的數(shù)據(jù)往往無從下手。因此頻繁模式挖掘被提出用于找出事物間的內(nèi)在聯(lián)系，并被廣泛地應(yīng)用于商品推薦、疾病診斷、入侵檢測(cè)等方面。然而頻繁模式僅關(guān)注模式在事務(wù)數(shù)據(jù)庫(kù)中出現(xiàn)的頻率，卻忽略了構(gòu)成模式的項(xiàng)本身所具有的權(quán)重值。因此高效用模式挖掘算法被提出，它綜合考慮了構(gòu)成模式的項(xiàng)的權(quán)重信息與頻率間的關(guān)系，具有更高的實(shí)際意義。

2、　　但是，在挖掘高效用模式前需要用戶設(shè)定最小效用閾值，而最小效用閾值的設(shè)定更多地依賴于用戶的經(jīng)驗(yàn)，對(duì)于經(jīng)驗(yàn)不足的用戶來說，不合適的閾值設(shè)置使挖掘結(jié)果千差萬(wàn)別。而且在實(shí)際應(yīng)用中，人們更傾向于關(guān)注效用值最高的前k個(gè)模式。因此提出了Top-k高效用模式挖掘算法。在Top-k高效用模式挖掘中，僅需設(shè)定k值即可挖掘出效用值最高的k個(gè)模式，避免了經(jīng)驗(yàn)在閾值設(shè)定中的主導(dǎo)作用，從而降低了高效用模式挖掘在應(yīng)用中的準(zhǔn)入門檻。
　　然而，目前Top-k

3、高效用模式挖掘算法存在臨時(shí)效用閾值上升速度慢、時(shí)間性能差、算法可擴(kuò)展性差的問題。針對(duì)這些不足，本文提出了基于投影的Top-k高效用模式挖掘算法來解決這些問題，同時(shí)針對(duì)在海量數(shù)據(jù)下單機(jī)模式挖掘效率低的問題，提出了基于MapReduce的Top-k高效用模式挖掘分布式的解決方案。本文的主要工作如下:
　　1.提出了基于投影表結(jié)構(gòu)的Top-k高效用模式挖掘算法TKHUP。該算法是一階段的Top-k效用模式挖掘算法，采用投影表結(jié)構(gòu)能直接讀

4、取效用值，并快速提升臨時(shí)效用閾值，從而有效地挖掘出指定數(shù)量的高效用模式。
　　2.提出了基于MapReduce的分布式Top-k高效用模式挖掘算法TKHUP-MaR。本文通過研究和使用MapReduce并行技術(shù)，實(shí)現(xiàn)了在大數(shù)據(jù)場(chǎng)景下挖掘Top-k高效用模式的方法，從并行計(jì)算、并行構(gòu)建存儲(chǔ)結(jié)構(gòu)、并行挖掘三個(gè)階段來實(shí)現(xiàn)該并行算法。
　　3.設(shè)計(jì)了五個(gè)策略提高算法的挖掘效率。策略CSD能夠極大地合并前綴模式相同的投影結(jié)構(gòu)，從而節(jié)省

5、更多的內(nèi)存空間。策略QPPR通過前綴項(xiàng)數(shù)字和能夠快速比較前綴模式是否相同，便于加快投影結(jié)構(gòu)的生成。策略DS優(yōu)先對(duì)效用值大的基模式進(jìn)行挖掘，從而提高臨時(shí)效用閾值的增長(zhǎng)速度。策略DFP采用深度優(yōu)先挖掘的方式，對(duì)正在處理的投影迭代地構(gòu)建其子投影結(jié)構(gòu)，能夠快速提高臨時(shí)效用閾值。策略DPUP利用事務(wù)權(quán)重向下閉包特性，排除為低效用模式構(gòu)建子投影，加快挖掘的速度。
　　4.通過在稀疏數(shù)據(jù)集和稠密數(shù)據(jù)集下的實(shí)驗(yàn)對(duì)比，從運(yùn)行時(shí)間和內(nèi)存空間上證明了T