高效用情节效用挖掘

分别介绍 Apriori 和 FP-Growth 两大经典算法，给出两者各自的优缺点和实现过程，并给出自己的理解

大多基本定义可以参考 UP-Span 算法，以下作一些补充及关键的定义。 最大时间段（Maximum time duration）类似于早期情节挖掘算法中的滑动窗口，是需要用户指定的时间约束（MTD），避免因为时间跨度太长导致计算量的增大和事件之间的关联性降低，对任意情节 $\…

写在前面：该算法的比较对象是UP-Span，其实我更想知道和UMEpi算法对比两者谁更优劣。因为双方采取的策略和定义优化有很大的相似性，区别在于存储结构的不同。个人认为这篇算法还是比较重要的，关键信息会着重标出。 首先我们需要明确什么是”event“？在 Episode Min…

写在前面：序列挖掘比单纯地效用挖掘更具广泛性，因为加上时间维度才是我们日常生活经常碰到的问题，当然这也会使得问题更加复杂。通过学习USpan算法...

写在前面：该算法基于UP-Growth算法改进，提出一个新的基于情节效用的模型 IV-UBER (InVestment by Utility-Based Episode Rules model)对股票进行预测，使用该模型能得到比UP-Span和TSpan算法更优异的结果。 us…

写在前面：episode pattern挖掘不同于itemset pattern挖掘，其复杂程度是远远超过itemset，首先“情节”意味着一系列事件的发生，在一段时间内有多个itemset产生，这些itemset之间可能先后发生，也可能同时发生。也就是说episode挖掘不仅…

写在前面：该篇算法是第一篇能够完整挖掘出所有高效用情节，理念上和HUI-Miner，EFIM等算法没有很大区别，但在实现上却更难一些。 大多基本定义可以参考 TKE，TUP 和 UP-Span 等算法，以下作一些补充及关键的定义。 最小发生（Minimal occurrence…

写在前面：补一个之前已经做好笔记的算法——TKE，该算法是在频繁项集的背景下进行top-k情节挖掘，解决阈值设定问题。 因为 EMMA 算法因为阈值设定原因，会忽略掉那些本可以与其它情节组成频繁情节的非频繁情节，所以TKE把阈值设置成1自增，即考虑了低支持度情节组合的可能。而且…