ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Frequent pattern mining over web data streams using sliding window model

تعداد صفحات: 11 | تعداد نمایش خلاصه: 407 | نظرات: 0
سال انتشار: 1394
کد COI مقاله: ICMRS01_382
زبان مقاله: انگلیسی
(فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد)
محتوای کامل این مقاله با فرمت WORD هم قابل دریافت می باشد.

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.

با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید.در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.

لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.

برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 11 صفحه است به صورت فایل PDF و یا WORD در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:
فرمت فایل مورد نظر را انتخاب فرمایید:


مشخصات نویسندگان مقاله Frequent pattern mining over web data streams using sliding window model

Farzaneh Kaviyani - Department of computer , Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran
Mohammad Reza Khayyambashi - Associate Professor, Department of Computer Engineering and Information Technology, Isfahan University,

چکیده مقاله:

Today, searching repetitive patterns on data flows is very important. By data flow we mean a type of data which is constantly produced in a very fast and unlimited manner. As a kind of these data we can name the report of clicks in computer networks. A repetitive pattern is a pattern which is available in a significant number of transactions. Finding repetitive patterns in data flows is a new and arguable issue in data mining as data is received in form of fast and continuous flow. Unlike static databases, flow mining faces a lot of problems including single review, requiring unlimited memory and high rate of input data. A common way of searching repetitive patterns is the excess check of data which requires to be saved in memory. In addition, according to the features of data flows i.e. unlimited and fast production, it is not possible to save them in memory and hence techniques are needed which are able to process them online and find repetitive patterns. One of the most popular relative techniques is using sliding windows. It sadvantage is reduction of the consumed memory and increasein search speed.In this paper, a new vertical display and an algorithm based on pins, called DBP-BA, are proposed to find repetitive patters in data flows. Since this new display without any additional task has a compact form, the proposed algorithm has a better performance than similar ones in terms of consumed memory and processing time. On the other hand, experiments support this matter.

کلیدواژه ها:

data flows, sliding windows, pin, repetitive data pen set

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/519784/

کد COI مقاله: ICMRS01_382

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Kaviyani, Farzaneh و Khayyambashi, Mohammad Reza,1394,Frequent pattern mining over web data streams using sliding window model,کنفرانس بین المللی یافته های نوین پژوهشی در علوم،مهندسی و فناوری با محوریت پژوھشھای نیاز محور,مشهد,,,https://civilica.com/doc/519784

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1394, Kaviyani, Farzaneh؛ Mohammad Reza Khayyambashi)
برای بار دوم به بعد: (1394, Kaviyani؛ Khayyambashi)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود ممقالهقاله لینک شده اند :

  • M. Zaki and K Gouda, East vertical mining using diffsets, ...
  • R. Agrawal, T. Imielinski, and A. N. Swami, Mining association ...
  • R. Agrawal and R. Srikant, East algorithms for mining association ...
  • S. Pramod and) P. Vyas, Survey on Frequent Item set ...
  • C.-H. Lee, C. Lin, and M. Chen, Sliding window filtering: ...
  • H. Li, S. Lee, and M. Shan, An efficient algorithm ...
  • H.-F. Li and S.-Y. Lee, Mining frequent itemsets over data ...
  • S. K. Tanbeer, C. F. Ahmed, B.-S. Jeong, and Y.-K. ...
  • H. Liu, S. Lin, J. Qiao, G. Yu, and K. ...
  • C. Leung, F. Jiang, and Y. Hayduk, _ landmark-mode _ ...
  • X. Li and Z.-H. Deng, Mining frequent patterns from network ...
  • J. Aguilar- Saborit, P. Trancoso, V. Munte s-Mulero, and J. ...
  • S. Bashir and A Baig, Ramp: Fast Frequent Itemset Mining ...
  • A. Bifet, Adaptive learning and mining for data streams and ...
  • A. Yarlagadda, J. V. R. Murthy, and M. H. _ ...
  • D. Basin, F. Klaedtke, and E. Zalinescu, sreedily computing associative ...
  • M. J. Zaki, S. Parthasarathy, M. Ogihara, and W. Li, ...
  • M. Deypir, An Efficient Sliding Window Based Algorithm for Adaptive ...
  • dynamic layout of sliding window for frequent itemset mining over ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه آزاد
    تعداد مقالات: 8,838
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی