دانلود ترجمه مقاله کاوش طرح متناوب توسط الگوریتم مرکب از FP-Tree و TID-List – مجله CiteSeerX

مشخصات مقاله انگلیسی (PDF)
تعداد صفحات مقاله انگلیسی	۶ صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر، مهندسی فناوری اطلاعات و مهندسی صنایع
گرایش های مرتبط با این مقاله	مهندسی الگوریتم و محاسبات، مهندسی نرم افزار، هوش مصنوعی و داده کاوی
مجله مربوطه	گروه مهندسی و علوم کامپیوتر، دانشگاه کلرادو، دنور، ایالات متحده آمریکا
دانشگاه تهیه کننده	دانش کاوی، داده کاوی، کاوش الگوی متناوب، کاوش قواعد انجمنی، مجموعه آیتم متناوب
کلمات کلیدی این مقاله	دانش کاوی، داده کاوی، کاوش الگوی متناوب، کاوش قواعد انجمنی، مجموعه آیتم متناوب
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در سایت CiteSeerX
نشریه CiteSeerX

• فهرست مطالب:

چکیده
۱٫ مقدمه
۲٫ پس زمینه
۱٫۲ مسأله کاوش الگوی متناوب
۲٫۲ الگوریتم FP-growth و ساختار FP-tree
۳٫۲ الگوریتم Eclat و ساختار TID-list
۳٫ الگوریتم FEM
۱٫۳ مرور الگوریتم FEM
۲٫۳ تبدیل یک پایگاه الگوی شرطی به TID-listها
۳٫۳ الگوریتم FEM
۴٫ تکنیک های بهینه سازی برای اجرای FEM
۵٫ آزمایشات و بررسی عملکرد
۱٫۵ آزمایشات
۲٫۵ بررسی عملکرد
۱٫۲٫۵ مقایسه عملکرد
۲٫۲٫۵ توزیع زمان اجرا بین دو فعالیت کاوش
۶٫ نتیجه گیری و پژوهش های آتی

• بخشی از ترجمه:

۶٫ نتیجه گیری و پژوهش های آتی
ما در این مقاله FEMرا ارائه کردیم، یک الگوریتم جدید کاوش الگوی متناوب که تکنیک های کاوش دو الگوریتم مشهور FP-growthو Eclat را ترکیب می کند. مزیت عملکرد FEM با انطباق فرایند کاوش برای منطبق کردن مشخصات مجموعه داده ها محقق می شود. ترکیب تکنیک های بهینه سازی برای اجرای FEM به بهبود عملکرد نیز کمک می کند. ما در پژوهش های آتی قصد داریم با ترکیب چند تکنیک بهینه سازی دیگر، FEMرا بیشتر بهینه کنیم. ما نحوه یافتن مقدار بهینه K برای مجموعه داده های خاص را بر اساس مشخصات آن ها بررسی خواهیم کرد. علاوه بر این، روش های موازی برای اجرای FEM در سیستم های موازی و توزیع شده را بررسی می کنیم زیرا محدودیت حافظه بزرگ ترین مانع برای استفاده از هر گونه الگوریتم کاوش الگوی متناوب در پایگاه داده های با مقیاس بزرگ است.

• بخشی از مقاله انگلیسی:

۶ Conclusion and future work

In this paper, we presented FEM, a new frequent pattern mining algorithm that combines the mining techniques of two famous algorithms FP-growth and Eclat. The performance merit of FEM is achieved by adapting the mining process to match the characteristics of the datasets. The combination of the optimization techniques for implementing FEM contributes to the improvement of performance as well. In future work, we plan to improve FEM further by integrating several other optimization techniques. We will investigate how to find the optimal value of K for specific databases based on their characteristics. In addition, we will study parallel approaches for implementing FEM on parallel and distributed systems as memory limitation is the largest barrier to deploy any sequential frequent pattern mining algorithm on large scale databases.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله