高效用项集挖掘

写在前面：传统的 top-k 查询是针对事务的某个维度进行考量，比如找出利润最高的 k 个商品组合，最频繁出现的 k 个网络攻击等等。但在大多情况下，由于事务的复杂性，制定策略需要考虑多个维度

写在前面：在数据挖掘领域中，隐私保护问题是普遍存在且难以根除。为此，学者们提出一个新的研究领域 privacy-preserving data mining (PPDM)，通过修改源数据库，降低...

写在前面：传统的高效用项集挖掘算法从数据集中挖掘海量的高效用项集，但这在一定程度上会给使用者造成一定的信息干扰，无法快速找出最重要的关键信息。为了解决这个问题...

写在前面：本算法为 HUI-Miner 的改进算法，在原有的基础上增加了一些新的数据结构，通过减少生成 utility-list 的数量，进而达到提高运行效率的目的。

写在前面：HUI-Miner 是第一个 utility-list based 算法，也是第一个 “one-phase” 类算法，它在原数据集上进行挖掘...

写在前面：处理现实的数据集（即时刻变化中），如何在这些动态数据集上或者对两个不同时刻的同一数据集进行挖掘分析是一个很有价值的问题；因此，该论文提出了一个新的概念 emerging pattern..

写在前面：根据传统的效用项集挖掘算法得到的高效用项集，是一个高度抽象的集合，并没有反应出该集合内部元素为什么能够构成高效用项集，它们之间存在何种关联也无从得知，因此...

该算法是基于 utility-list 结构设计的 top-k挖掘算法，其中采取的不少阈值自增策略是值得我们学习研究，写这篇笔记的目的也是为了介绍这些策略以及个人的想法

写在前面：On-shelf指的是周期性，即冰激凌在冬天销量不高，但夏天卖的很好。每件商品在不同的时期会有销售表现，这就是该领域研究的问题。on-shelf 指代第一个周期、第二个周期、第三个周期...，每个周期之间没有先后顺序，如果一个项集发生在多个周期，那么我们记为 (X, …

写在前面：FHN算法是基于FHM算法进一步改进得到的，目的也是为了能够计算负效用项，该算法是基于utility-list结构进行合并计算高效用项集。为什么要挖掘负效用项集？举个简单的例子，商家捆绑销售，就单个商品而言是亏损的，但当与利润值高的商品一并销售那么很有可能就是盈利。 …

写在前面：最近在研究Top-k高效用挖掘算法，在老师的介绍下接触到这篇文献，该作者很贴心地为我们介绍了 top-k HUI mining 的几个关键方法，与其它高效用模式挖掘算法的对比评估，还有当下top-k算法的不足之处。本文记录对该文献翻译上的理解和自己的思考，如果错误还望…

未完待续... 写在前面：本篇记录对APIN-TKEN文献上翻译的个人理解，如有错误还望指正。 Ps. TWU的作用在整个算法中还是很重要的，因为它具备反单调性（目的与频繁项集挖掘一致），对整个项集和交易项的排序、裁剪有很大作用，有以下性质： 效用列表结构（Utility-Li…

写在前面：在老师介绍这篇文章的时候确实让我眼前一亮，对啊，为什么之前自己就没有联系到存在负效用情况？看来自己对这些算法理念还是没有融会贯通，这些算法都是为生活服务的。本篇记录对EHIN文献上翻译的个人理解，如有错误还望指正。 设 是一组含不同元素的项（可以看作是用户的多组购物商…

EFIM算法是典型的prejection类，相比于HUI-Miner有了很大的改动，而且使用到许多有效策略进行剪枝...

HUI-Miner是一个很经典的算法，其utility-list数据存储结构可以在很多领域进行扩展使用