您当前所在位置: 首页 > 首发论文
筛选条件

时间

领域

全部

计算机科学技术(1)

中医学与中药学(0)

临床医学(0) 显示更多>>

交通运输工程(0) 体育科学(0) 信息科学与系统科学(0) 农学(0) 冶金工程技术(0) 力学(0) 动力与电气工程(0) 化学(0) 化学工程(0) 图书馆、情报与文献学(0) 土木建筑工程(0) 地球科学(0) 基础医学(0) 天文学(0) 安全科学技术(0) 工程与技术科学基础学科(0) 心理学(0) 教育学(0) 数学(0) 机械工程(0) 材料科学(0) 林学(0) 核科学技术(0) 水产学(0) 水利工程(0) 测绘科学技术(0) 物理学(0) 环境科学技术(0) 生物学(0) 电子、通信与自动控制技术(0) 畜牧科学、动物医学(0) 矿山工程技术(0) 管理学(0) 纺织科学技术(0) 经济学(0) 能源科学技术(0) 航空航天科学技术(0) 药学(0) 预防医学与卫生学(0) 食品科学技术(0)

学术评议

实时热搜榜

我的筛选 >
2003-2020 全部
为您找到包含“国家自然科 学基金项目”的内容共1

沈伟,方伟

2019-11-20

高效用项集挖掘(High-Utility Itemset Mining,HUIM)是数据挖掘中的重要任务之一。 相比于频繁项集挖掘(Frequent Itemset Mining,FIM),HUIM 会综合数量和利润两个因素来找出合适的项集,而不仅仅考虑数量,应用场景更加广泛。 基于项集效用列表(utility-list) 结构的单阶段HUIM 算法因为可以在不生成候选解的情况下直接挖掘高效用项目集(High-Utility Itemset,HUI)是目前最有效的算法之一。 然而,创建并维持多个utility-list 结构会消耗大量的时间和内存,尤其在比较大的密集型数据集上。 为解决此问题,本文提出一种新的基于改进数据集结构的高效用数据挖掘(Efficient high-utility itemset mining based on a novel data structure,EIM-DS)算法。 在EIM-DS 算法中,通过新的数据集结构来重构数据集能够有效地挖掘出所有的高效用项集并且减少在挖掘过程中的内存使用。 同时,算法提出了两种新的剪枝策略:拓展集剪枝和局部TWU剪枝,能够较大地缩小搜索空间。 在密集型和稀疏型数据集上的结果表明,EIM-DS 算法执行时间更少,内存消耗更低。

国家重点研发计划(2017YFC1601800、2017YFC1601000);江苏省重点研发计划(BE2017630);国家自然科学基金项目(61673194);江苏省自然科学基金项目(BK20131106);中国博士后科学基金项目(2017YFC1601800、2017YFC1601000

江苏省重点研发计划(BE2017630

国家自然科 学基金项目(61673194

江苏省自然科学基金项目(BK20131106

中国博士后科学基金项目(2014M560390

江南大学物联网工程学院,无锡 214122,江南大学物联网工程学院,无锡 214122

#计算机科学技术#

0评论(0 分享(0)