Suarne

写在前面：该算法针对UP-Span算法做出了很多改进，把候选项集数量给大大减少，也是在UP-Span算法的基础上进一步优化的结果，整体的设计思路是一致的。亮点在于设计了有序...

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 R...

写在前面：本文主要记录基于Latex书写的符号表，方便在使用过程中查找，所有内容均来自互联网.......

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...

上面提到的两个操作是最简单的思路，现今CPU上都采取了更高级的一致性协议。其中以奔腾处理器使用的MESI协议最为经典。在MESI协议中，每个Cache line有4个状态，...

写在前面：两种算法很相似，都是对于求解空间树T上检索问题的算法。在通常情况下，分支限界法和回溯法求解目标是不同的。回溯法求得的是T中满足约束条件的所有解，而分支限界法的求解...

写在前面：本文主要用来记录碰到的问题和解决办法，暂且做一个大杂烩，之后再对这篇文章的内容进行分类整理。 但程序依然可以执行到结束退出。检查代码并用其它数据集确认没有问题，那...

写在前面：RFM模型分析在当下已经是非常常见的了，广泛运用与电商或传统商业提高自己的利润总量。什么是RFM模型？即通过分析一个客户的近期购买行为、购买的总体频率以及花费多少...

FP-Growth相较于Apriori首先是不需要产生候选集，其次是利用分治思想来减少搜索空间。该算法是真正构建了一棵树，不同于之后的 HUI-MIner 等，它们只是借用...

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、...

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？...

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...

写在前面：在UPM领域中，该篇2018年的算法算是比较新的，相比于之前的 KHMC 和 TKO 两篇算法，该算法能够在早期运算过程中快速提高阈值，这在密集型数据集中的表现是...

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...

写在前面：继UP-Span算法之后，研究一下加上top-k之后挖掘效率是否会效果更强，通常而言，top-k领域挖掘算法对密集型数据集效率会有显著的提升，而且针对UP-Spa...