رویکرد مبتنی بر القای مجدد برای کاوش کارآمد مجموعه اقلام با سودمندی بالا از مجموعه داده های افزایشی

کاوش مجموعه اقلام با سودمندی بالا، یک حوزه تحقیقاتی مهم است که بر شناسایی ترکیباتی از مجموعه اقلام در پایگاه های داده تمرکز دارد که دارای مقدار سودمندی بالاتر از یک آستانه مشخص شده توسط کاربر هستند. با این حال، اغلب الگوریتم های موجود در این حوزه، فرض می کنند که پایگاه های داده ایستا و بدون تغییر هستند. این فرض در دنیای واقعی چندان واقع بینانه نیست، زیرا مجموعه داده های دنیای واقعی به طور مداوم با داده های جدید در حال رشد و تغییر هستند. علاوه بر این، الگوریتم های موجود تنها بر مقدار سودمندی برای شناسایی مجموعه اقلام مرتبط تکیه می کنند. این موضوع منجر به این می شود که حتی ترکیباتی که در مراحل اولیه رخ داده اند نیز به عنوان خروجی تولید شوند. اگرچه برخی از الگوریتم های استخراج یک رویکرد مبتنی بر پشتیبانی را برای محاسبه فراوانی مجموعه اقلام اتخاذ می کنند، اما ماهیت زمانی مجموعه های آیتم ها را در نظر نمی گیرند.برای پرداختن به این چالش ها، این مقاله الگوریتم Scented Utility Miner (SUM) را پیشنهاد می کند که از یک استراتژی القایی مجدد برای ردیابی جدید بودن وقوع مجموعه آیتم ها و کاوش مجموعه های اقلام از پایگاه های داده افزایشی استفاده می کند. این مقاله رویکردی نوین برای کاوش مجموعه اقلام با سودمندی بالا از پایگاه های داده پویا ارائه می دهد و با ارائه چندین آزمایش، کارایی روش پیشنهادی را اثبات می کند.

کلیدواژه ها:

کاوش مجموعه اقلام با سودمندی بالا ، داده کاوی ، کاوش کارایی حافظه ، مجموعه داده های افزایشی