Suarne

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：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：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十分有利。 LIU(x{\rm i}, x{\rm j}) = LIU(x{\rm i} .. x{\rm…

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…

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-Span算法的不足，top-k的策略在一定程度上可以解决。 发生（occurrence）给定一个情节 ，当1）情…

写在前面：因为自己需要使用TexStudio，所以收集相关方面的教程。所有的记录都来自互联网，在参考部分均给出链接。安装教程在这里

a. 当i > 1时，节点i的双亲节点编号为⌊i/2⌋，即当i是偶数时，其双亲节点编号为i/2，且该节点是左孩子节点；当i是奇数时，其双亲节点是(i-1)/2，且该节点是右孩子节点 b. 当2i <= n时，节点i的左孩子编号为2i，否则无左孩子节点 c. 当2i+1 <= n…

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…