流数据频繁模式挖掘算法研讨.pdfVIP

摘要 摘要 传统数据挖掘的对象是传统数据或静态数据，其来源于关系数据库、数据仓 库和事务数据库里面的数据。现实世界和工程实践中产生了大量的流数据，这种 数据不同于传统的静态数据，是一种具有实时、快速和连续到达特点的动态数据。 由于流数据的上述特点，对其进行有效处理和挖掘遇到了极大的挑战，使得应用 于传统数据挖掘的技术和方法不能很好的适应流数据。如何使用有限的内存空间 和 CPU 的处理速度进行快速和近似的频繁模式挖掘是流数据挖掘的基本问题， 具有非常重要的价值和实践意义。 近年来，在流数据中挖掘频繁项集是一个非常新的研究课题。以往的解决方 法，大多是在挖掘频繁项集时使用一个固定的最小支持度。然而，在实际情况中， 支持度阈值应该随用户需求和流数据的特点而改变。本文提出了一种名为 VSSDM(Variable Support for Steam Data Mining) 的算法，用于在流数据中以可变 支持度挖掘频繁项集。本文使用概要向量结构SYV(Synopsis Vector)高度压缩并 存储历史流数据。该算法可以让用户改变支持度阈值，找出自开始以来流数据中 所有的频繁项集。 关键字：流数据挖掘，频繁模式，界标窗口，滑动窗口，可变支持度，概要向量 I Abstract Abstract The traditional objects of data mining are traditional data or static data, which come from the relational database, data warehouse and transaction database. Real-world applications often generate huge amount of data streams, which differs from traditional static data, is a real time, quick and continuously transported dynamic data. Based on the above features of the stream data, great challenge appears in efficient processing and mining, which make the technologies and methods applied into the traditional data mining can not be well adapted to the stream. As a fundamental problem in data stream mining, frequent pattern mining techniques employed in these applications should be efficient in terms of space usage and execution time while providing a high quality of yields. Mining frequent itemsets over data streams is an emergent research topic in recent years. Previous approaches generally use a fixed minimum support threshold to discover