大数据流中减少候选项集的高效用项集挖掘算法优化

在大数据时代，高效的项集挖掘算法至关重要，然而传统的算法常常因候选项集过大而影响了时间和空间效率。针对这一问题，本文提出了一种旨在减少候选项集的数据流高效用项集挖掘算法。首先，算法通过一次扫描数据流中的当前窗口，构建一个全局树结构。这个全局树的设计旨在减少头表入口与节点之间的冗余效用值，从而优化存储和查询效率。 在全局树的基础上，算法生成候选模式，这些模式是潜在的高效用模式候选。接着，引入模式增长算法来进一步精简局部树的候选项集，通过迭代的方式评估每个模式的效用，确保只保留最有可能成为高效用模式的元素。这种策略有助于减少不必要的计算和存储需求，提升整体性能。 实验结果基于真实的实时数据流，显示了新算法在时空效率以及内存占用方面的显著优势。相比于其他数据流高效的模式挖掘算法，该算法在处理大规模数据时具有更高的效率和更低的资源消耗。此外，该算法还考虑到了数据流的动态特性，能够实时响应变化，这对于实时分析和决策支持系统尤为重要。 作者们，茹蓓和贺新征，分别来自新乡学院和河南大学，他们的研究领域包括软件开发、信息处理和网络信息安全，他们针对大数据环境下的挑战提出了创新的解决方案。论文的研究成果不仅对于提高数据挖掘的实用性有重要价值，也为后续的相关研究提供了新的思路和技术支撑。 关键词：大数据、数据流、高效用项集、模式挖掘、模式增长和候选模式，这些词汇准确地概括了论文的核心内容，反映了研究的重点和贡献。整个算法的设计和实施都围绕着如何在大数据的背景下，通过优化候选项集来提升模式挖掘的性能，这无疑是对现有技术的一次重要改进。