Luận văn ThS: Khai thác Top - rank k cho tập đánh trọng trên cơ sở dữ liệu có trọng số

Luận văn Khai thác Top - rank k cho tập đánh trọng trên cơ sở dữ liệu có trọng số giới thiệu tổng quan về lĩnh vực nghiên cứu, nêu các khái niệm, định nghĩa, cơ sở khoa học, các công trình nghiên cứu liên quan, các phương pháp nghiên cứu và nhận xét ưu khuyết điểm của các phương pháp; đề xuất phương pháp khai thác Top-rank-k tập phổ biến được đánh trọng; trình bày về thực nghiệm bao gồm môi trường thực nghiệm, cơ sở dữ liệu thực nghiêm, đánh giá các kết quả thu được.

Luận văn ThS: Khai thác Top - rank k cho tập đánh trọng trên cơ sở dữ liệu có trọng số

1. Mở đầu

1.1 Đặt vấn đề

Khai thác dữ liệu là lĩnh vực đã và đang được nghiên cứu nhiều trong thời gian vừa quavới mục đích hỗ trợ các nhà quản lý tìm ra mối quan hệ giữa các sản phẩm trong số lượng lớn danh mục sản phẩm và nhờ đó có thể giúp tăng doanh thu. Quá trình khai thác dữ liệu là quá trình phát hiện ra các mẫu thông tin có giá trị tiềm ẩn trong cơ sở dữ liệu. Khai thác luật kết hợp là một trong những phương thức hay và phổ biến nhất để đạt được mục đích này. Việc khai thác các luật kết hợp nhằm mục đích phát hiện ra các mối quan hệ giữa các tập thuộc tính trong cơ sửo dữ liệu với nhau, trongđó khai thác tập phổ biến đóng vai trò quan trọng trong việc khai thác các luật kết hợp. Các tập phổ biến thường được khai thác từ các cơ sở dữ liệu nhị phân trong đó từng hạng mục trong một giao dịch có thể có những ý nghĩa khác nhau.

1.2 Mục tiêu của đề tài

Đề tài tập trung vào nghiên cứu các thuật toán khai thác các tập được đánh trọng số dựa trên các thuật toán khai thác tập phổ biến trên cơ sở dữ liệu giao dịch nhị phân. Đề xuất ra thuật toán khai thác các Top-rank-k của các tập được đánh trọng số dựa trên cơ sở dữ liệu giao dịch có trọng số. Từ đó ứng dụng các thuật toán này vào trong thực tiễn.

1.3 Giới hạn của đề tài

Luận văn nhằm nghiên cứu các thuật toán khai thác các tập được đánh trọng số dựa trên các thuật toán khai thác tập phổ biến trên cơ sở dữ liệu giao dịch nhị phân. Cải tiến thuật toán khai thác các Top-rank-k tập được đánh trọng số dựa trên cơ sở dữ liệu giao dịch có trọng số bằng cách sử dụng diffset.

2. Nội dung

2.1 Tổng quan và cơ sở lí thuyết

Các khái niệm, định nghĩa

  • Tổng quan về khai thác luật kết hợp
  • Phương pháp Apriori
  • Phương pháp IT-tree
  • Phương pháp FP-tree

Tổng quan về khai thác luật kết hợp trên cơ sửo dữ liệu được đánh trọng số

  • Định nghĩa và tính chất của tập được đánh trọng số
  • Thuật toán khai thác dựa trên WIT-tree

Phương pháp khai thác Top-rank-k các mẫu phổ biến bằng Node-list

  • Cấu trúc PPC-tree

2.2 Thuật toán khai thác Top-rank-k phổ biến

Top-rank-k tập phổ biến được đánh trọng phổ biến

  • Định nghĩa về Top-rank-k tập được đánh trọng phổ biến
  • Nghiên cứu liên quan

Top-rank-k được đánh trọng số sử dụng Diffset

  • Giới thiệu Diffset
  • Thuật toán dựa trên Diffset

2.3 Thực nghiệm và đánh giá

Môi trường thực nghiệm

Đặc điểm cơ sở dữ liệu thực nghiệm

Kết quả thực nghiệm

3. Kết luận

Đề tài tập trung vào nghiên cứu các thuật toán khai thác các tập phổ biến được đánh trọng số dựa trên các thuật toán khai thác tập phổ biến trên cơ sở dữ liệu giao dịch nhị phân. Thông qua quá trình thực hiện đề tài đã thực hiện được các mục tiêu:

  • Nghiên cứu cơ sở lý thuyết về các kỹ thuật khai thác các tập phổ biến như các phương pháp Apriori, FP-tree, IT-tree.
  • Tìm hiểu về cơ sở dữ liệu giao dịch có trọng số, trọng số hỗ trợ và các định nghĩa lý thuyết liên quan.
  • Tìm hiểu về độ khác nhau của hai tập tương đương Diffset
  • Nghiên cứu các thuật toán khai thác các tập phổ biến trên cơ sở dữ liệu giao dịch có trọng số WIT-FWI, WIT-FWI-DIF.
  • Cài đặt thực nghiệm để khảo sát kết quả của thuật toán đề xuất: tiến hành khai thác Top-rank-k trên các cơ sở dữ liệu chuẩn như BMSPOS, Chess, Connect, Mushroom.

4. Tài liệu tham khảo

Agrawal at al. (1993). Mining Association Rule between sets of items in large databases. ACM SIGMOD Record 22 (2) 207-216

Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules. In: VLDB’94 (pp. 487-499)

Cai, C. H., Fu, A. W., Cheng, C. H., & Kwong, W. W. (1998). Mining association rules with weighted items. In: Proceedingss of international database engineering and applications symposium (IDEAS 98) (pp. 68-77).

Ramkumar, G. D., Ranka, S., & Tsur, S. (1998). Weighted association rules: Model and algorithm. In: SIGKDD’98 (pp. 661-666)...

--- Nhấn nút TẢI VỀ hoặc XEM ONLINE để tham khảo đầy đủ nội dung Luận văn Thạc sĩ trên ---

Ngày:31/08/2020 Chia sẻ bởi:

CÓ THỂ BẠN QUAN TÂM