

已閱讀1頁,還剩52頁未讀, 繼續(xù)免費閱讀
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、關聯(lián)規(guī)則挖掘(ARM)是數(shù)據(jù)庫知識發(fā)現(xiàn)中的一個重要課題。自ARM思想出現(xiàn)以來,為了提高挖掘的性能,研究人員提出了很多ARM算法。但是,隨著當今網絡的發(fā)展,用戶數(shù)據(jù)和知識指數(shù)級增長,同時,這些數(shù)據(jù)的重要程度又存在很大差別,因此,如何在海量數(shù)據(jù)中挖掘出用戶真正需求的關聯(lián)規(guī)則,是關聯(lián)規(guī)則挖掘的一個新的難題。
由于數(shù)據(jù)庫中數(shù)據(jù)重要程度不同時,而傳統(tǒng)ARM算法沒有考慮數(shù)據(jù)的權重,因此傳統(tǒng)的ARM算法不再滿足實際需求。而且在處理大數(shù)據(jù)集時
2、,原有的串行ARM算法計算量大,I/O資源消耗嚴重,在內存和計算消耗方面都會遇到瓶頸,無法在海量數(shù)據(jù)集中挖掘出關聯(lián)規(guī)則。
本文在研究了多種串行ARM算法的基礎上,提出了一種基于Hadoop的分布加權關聯(lián)規(guī)則挖掘(HWARM: Weighted Association Rule Mining on Hadoop)算法。該算法滿足加權向下封閉性,解決了傳統(tǒng)ARM算法無法挖掘不同權重數(shù)據(jù)的問題,使用Hadoop這一分布式計算平臺并行
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(lián)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(xiàn)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(lián)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。
最新文檔
- 基于投影數(shù)組和加權FP-tree的頻繁項集挖掘算法研究.pdf
- 基于FP-Tree的多層關聯(lián)規(guī)則挖掘算法研究.pdf
- 基于FP-Tree的頻繁項集挖掘算法研究.pdf
- 基于FP-tree的關聯(lián)規(guī)則挖掘算法的研究.pdf
- 基于FP-tree的多層關聯(lián)規(guī)則挖掘算法的研究.pdf
- 基于fp-tree關聯(lián)規(guī)則挖掘算法的研究與應用
- 基于FP-Tree的最大頻繁項集挖掘算法研究.pdf
- 基于FP-tree關聯(lián)規(guī)則挖掘算法的研究與應用.pdf
- 基于FP-tree最大頻繁模式超集挖掘算法.pdf
- 數(shù)據(jù)流中基于FP-Tree的頻繁項集挖掘算法研究.pdf
- 基于FP-Tree算法頻繁模式挖掘的選課系統(tǒng)設計與實現(xiàn).pdf
- 基于FP-tree最小無冗余關聯(lián)規(guī)則挖掘.pdf
- 數(shù)據(jù)流中基于優(yōu)化的FP-tree的頻繁模式挖掘方法研究.pdf
- 基于Hadoop的改進的并行FP-Growth算法.pdf
- FP-Tree算法在自適應學習系統(tǒng)學習者特征模型建立中的應用研究.pdf
- 基于Hadoop平臺的分布式任務調度算法研究.pdf
- 基于Hadoop分布式地圖匹配算法的研究與實現(xiàn).pdf
- Hadoop分布式系統(tǒng)調度算法的研究.pdf
- 基于Hadoop平臺的分布式EM聚類算法.pdf
- 基于Hadoop的道路匹配算法研究.pdf
評論
0/150
提交評論