大數據背景下并行動態(tài)關聯規(guī)則挖掘研究.pdf_第1頁
已閱讀1頁,還剩58頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、目前,大數據技術在社會各個領域和層面都發(fā)揮著巨大作用,且地位不斷躍升。能否整合并利用好大數據已經成為政府和各經濟體事業(yè)成敗的關鍵。作為一種新型的戰(zhàn)略資源,大數據具有明顯的自身特征:體量大、種類多、產生速度快、實時性要求高、價值密度低,這意味著傳統(tǒng)的單機串行算法已不能滿足大數據的處理需求,面向多機、并行、分布式的大數據處理方式變得越來越重要。
  數據挖掘是挖掘數據潛在價值的關鍵技術,關聯規(guī)則技術作為一種經典的數據挖掘方法備受關注。

2、傳統(tǒng)的關聯規(guī)則技術認為規(guī)則是靜態(tài)的、一成不變的,只要被挖掘出來便可永久用于指導生產實踐。然而,現實中的規(guī)則是隨著時間變化的,為更好地描述這種規(guī)則隨時間變化的特性,本文采用了支持度向量SV和置信度向量CV,重點研究動態(tài)關聯規(guī)則的并行分層挖掘方法。
  首先,本文通過對現有并行技術、并行關聯規(guī)則挖掘算法和動態(tài)關聯規(guī)則挖掘算法進行研究,提出了一種能夠實時高效地處理大量數據的并行關聯規(guī)則挖掘算法——基于劃分的并行分層關聯規(guī)則挖掘(PHAR

3、M)算法。該算法基本思想是將整個數據集D隨機分割成若干個非重疊子數據集,并且每個子數據集還可繼續(xù)劃分成更小的子集,進而并行分層地挖掘出局部頻繁項集;根據頻繁項集先驗性質,連接局部頻繁項集得到全局候選項集;掃描D統(tǒng)計出每個候選項集的實際支持度,以確定全局頻繁項集。并通過建模分析和實驗,證明了該算法的高效性和在數據量較大時具有的明顯優(yōu)勢。
  其次,本文在兩階段ITS算法的基礎上,將并行分層挖掘思想應用到動態(tài)關聯規(guī)則挖掘的第一階段,提

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論