计算机应用

作者：杨克帅, 武优西, 耿萌, 刘靖宇, 李艳

单位：1.河北工业大学 人工智能与数据科学学院，天津 300401；2.河北工业大学 经济管理学院，天津 300401

关键词：数据挖掘,序列模式挖掘,高平均效用,一次性条件,top-k

基金：国家自然科学基金资助项目(61976240)

针对传统序列模式挖掘（SPM）不考虑模式重复性且忽略各项的效用（单价或利润）与模式长度对用户兴趣度影响的问题，提出一次性条件下top-k高平均效用序列模式挖掘（TOUP）算法。TOUP算法主要包括两个核心步骤：平均效用计算和候选模式生成。首先，提出基于各项出现位置与项重复关系数组的CSP（Calculation Support of Pattern）算法计算模式支持度，从而实现模式平均效用的快速计算；其次，采用项集扩展和序列扩展生成候选模式，并提出了最大平均效用上界，基于该上界实现对候选模式的有效剪枝。在5个真实数据集和1个合成数据集上的实验结果表明，相较于TOUP-dfs和HAOP-ms算法，TOUP算法的候选模式数分别降低了38.5%~99.8%和0.9%~77.6%；运行时间分别降低了33.6%~97.1%和57.9%~97.2%。TOUP的算法性能更优，能更高效地挖掘用户感兴趣的模式。

来源：2024年第2期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第2期