事务删除下的高平均效用项目集维护算法

"这篇研究论文探讨了一种针对具有事务删除功能的高平均效用项目集的维护算法。在数据挖掘领域，高 utility 项集挖掘（HUIM）是传统关联规则挖掘的一个扩展，用于发现对决策有利润价值的项目集。然而，HUIM 的一个局限性在于，随着项目集大小的增长，其效用值也会增加。为了解决这个问题，高平均效用项集挖掘（HAUIM）提出了一种更合理的度量标准，即计算项目集的平均效用，这对于制定销售策略和做出高效决策更有意义。 传统的 HAUIM 算法主要关注静态数据库中的高平均效用项集（HAUIs）挖掘。但当数据库大小发生变化，例如进行事务的插入或删除时，已发现的信息需要更新。现有的方法通常需要重新扫描整个更新后的数据库，以批处理方式识别新的 HAUIs。这种方法在大数据背景下效率低下，且不适用于动态环境。 论文中，作者 Jerry Chun-Wei Lin、Yina Shao、Philippe Fournier-Viger、Youcef Djenouri 和 Xiangmin Guo 提出了一种新的算法，旨在有效地处理事务删除情况下的 HAUIs 维护问题。他们设计的算法能够动态跟踪数据库的变化，实时更新项目的平均效用值，而无需完全重新挖掘整个数据库。这种优化的方法降低了计算复杂性，提高了处理动态数据库的能力。 论文详细介绍了算法的设计思想、工作流程以及性能评估。通过一系列实验，作者证明了该算法相比于现有方法在效率和准确性方面的优势，并展示了它在处理大规模数据和应对频繁事务删除场景时的优越性能。此外，论文还讨论了算法的局限性和可能的改进方向，为未来的研究提供了参考。 这篇研究论文提出的维护算法对于在事务删除环境下进行高平均效用项目集挖掘具有重要意义，为数据挖掘领域提供了一个实用的解决方案，有助于实现实时、高效的决策支持。"