یک الگوریتم سریع و کارآمد برای استخراج مجموعه عناصر با سودمندی بالا با استفاده از مدل نرخ فراموشی

استخراج مجموعه عناصر با سودمندی بالا بعنوان یک کار مهم داده کاوی معرفی شده و محاسبات آن از لحاظ زمان اجرا و مصرف حافظه همچنان پرهزینه است. علاوه بر این، از آنجایی که آنها فرآیندهای استخراج را بدون در نظر گرفتن زمان ورود تراکنش ها انجام میدهند، تحقق نیازهای کاربران با استفاده از این روش زمانی که میخواهند فقط اطلاعات به روز مربوط به داده های جریانی را نگه دارند، مشکل به نظر میرسد. در این مقاله، الگوریتمی مبتنی بر درخت برای استخراج مجموعه عناصر اخیر با سودمندی بالا پیشنهاد شده است. در این الگوریتم از مدل نرخ فراموشی برای تاکید بر اهمیت عناصر داده های اخیر استفاده میکند. همچنین براساس این مدل، سودمندی تراکنش ها را براساس زمان ورودشان به منظور تعیین وزن های بیشتر به داده های اخیر در مقایسه با داده های قدیمی کاهش میدهد. نتایج تجربی بر روی مجموعه داده های واقعی نشان داد که روش پیشنهادی، نه تنها اطلاعات مهم مجموعه عناصر اخیر با سودمندی بالا را فراهم میسازد بلکه نیاز به منابع محاسباتی کمتری مانند زمان اجرا و حافظه مصرفی را فراهم میسازد.

کلیدواژه ها:

استخراج الگو ، استخراج مجموعه عناصر ، استخراج با سودمندی بالا ، مدل نرخ فراموشی